Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
1
Orquestar el caos: inteligencia artificial, liderazgo adaptativo y gobernanza de
decisiones en entornos BANI
Breno Barreto Dumas Gomes1
breno.dumas@hotmail.com
Dirceu Matheus Junior2
dirceu.matheus@mackenzie.br
Fecha de recepción: 19 de mayo de 2026
Fecha de aceptación: 27 de agosto de 2026
ARK CAICyT: https://id.caicyt.gov.ar/ark://jq0s5t9dk
Resumen
Este artículo analiza el papel de la inteligencia artificial en la toma de decisiones
organizacionales en entornos BANI, acrónimo de Brittle, Anxious, Nonlinear and
Incomprehensible, es decir, frágiles, ansiosos, no lineales e incomprensibles, conforme la
formulación propuesta por Cascio (2020). A partir de una revisión teórico-analítica, el trabajo
articula contribuciones sobre mundo BANI, liderazgo adaptativo, gobernanza algorítmica,
explicabilidad, soberanía cognitiva y transformación digital. Se sostiene que la IA ya no debe
comprenderse únicamente como una herramienta operativa, sino como una infraestructura
cognitiva capaz de mediar procesos de interpretación, priorización, predicción y decisión. Sin
embargo, esta mediación también puede producir dependencia tecnológica, opacidad decisoria,
automatización acrítica y pérdida de juicio humano si no está acompañada por criterios de
gobernanza, supervisión y responsabilidad.
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial 4.0 Internacional
1 Universidad Presbiteriana Mackenzie, Brasil.
http://orcid.org/0009-0004-4868-1041
2 Universidad Presbiteriana Mackenzie, Brasil.
http://orcid.org/0000-0001-7823-7284
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
2
El artículo propone que, en contextos BANI, el liderazgo organizacional debe desplazarse de
la simple búsqueda de control hacia la orquestación adaptativa de sistemas humano-IA. En este
marco, la soberanía cognitiva emerge como criterio estratégico para preservar la capacidad
humana y organizacional de comprender, cuestionar y responsabilizarse por las decisiones
asistidas por IA. Como contribución, el texto organiza un marco integrador para pensar la IA
como apoyo decisional en escenarios de incertidumbre radical, proponiendo principios de
gobernanza orientados a explicabilidad, trazabilidad, supervisión humana e inteligencia
colectiva.
Palabras clave: inteligencia artificial; mundo BANI; liderazgo adaptativo; gobernanza
algorítmica; soberanía cognitiva.
Abstract
This article analyzes the role of artificial intelligence in organizational decision-making within
BANI environments, an acronym for Brittle, Anxious, Nonlinear and Incomprehensible, as
proposed by Cascio (2020). Based on a theoretical and analytical review, the study brings
together contributions on the BANI framework, adaptive leadership, algorithmic governance,
explainability, cognitive sovereignty, and digital transformation. It argues that AI should no
longer be understood merely as an operational tool, but as a cognitive infrastructure capable of
mediating processes of interpretation, prioritization, prediction, and decision-making.
However, this mediation may also generate technological dependence, decision-making
opacity, uncritical automation, and loss of human judgment when not accompanied by
governance, supervision, and accountability criteria. The article proposes that, in BANI
contexts, organizational leadership must move from the simple search for control toward the
adaptive orchestration of human-AI systems. Within this framework, cognitive sovereignty
emerges as a strategic criterion for preserving the human and organizational capacity to
understand, question, and take responsibility for AI-assisted decisions. As its main
contribution, the article organizes an integrative framework for understanding AI as decision
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
3
support in scenarios of radical uncertainty, proposing governance principles oriented toward
explainability, traceability, human oversight, and collective intelligence.
Keywords: artificial intelligence; BANI world; adaptive leadership; algorithmic governance;
cognitive sovereignty.
Resumo
Este artigo analisa o papel da inteligência artificial na tomada de decisão organizacional em
ambientes BANI, acrônimo de Brittle, Anxious, Nonlinear and Incomprehensible, isto é,
frágeis, ansiosos, não lineares e incompreensíveis, conforme a formulação proposta por Cascio
(2020). A partir de uma revisão teórico-analítica, o trabalho articula contribuições sobre mundo
BANI, liderança adaptativa, governança algorítmica, explicabilidade, soberania cognitiva e
transformação digital. Sustenta-se que a IA não deve mais ser compreendida apenas como uma
ferramenta operacional, mas como uma infraestrutura cognitiva capaz de mediar processos de
interpretação, priorização, predição e decisão. No entanto, essa mediação também pode
produzir dependência tecnológica, opacidade decisória, automação acrítica e perda de
julgamento humano quando não é acompanhada por critérios de governança, supervisão e
responsabilidade. O artigo propõe que, em contextos BANI, a liderança organizacional deve se
deslocar da simples busca por controle para a orquestração adaptativa de sistemas humano-IA.
Nesse quadro, a soberania cognitiva emerge como critério estratégico para preservar a
capacidade humana e organizacional de compreender, questionar e assumir responsabilidade
por decisões assistidas por IA. Como contribuição, o texto organiza um marco integrador para
pensar a IA como apoio decisório em cenários de incerteza radical, propondo princípios de
governança orientados à explicabilidade, rastreabilidade, supervisão humana e inteligência
coletiva.
Palavras-chave: inteligência artificial; mundo BANI; liderança adaptativa; governança
algorítmica; soberania cognitiva.
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
4
Introducción
La aceleración tecnológica, la inestabilidad institucional, la saturación informacional y
la creciente complejidad de los sistemas organizacionales han transformado profundamente las
condiciones bajo las cuales individuos, empresas e instituciones interpretan problemas y toman
decisiones. En este escenario, los modelos clásicos de planificación racional, control jerárquico
y previsión lineal muestran límites crecientes frente a entornos marcados por cambios rápidos,
interdependencias sistémicas y altos niveles de incertidumbre. Desde la teoría de la
complejidad, autores como Morin (2005) y Urry (2005) han señalado que los sistemas sociales
contemporáneos no pueden ser comprendidos adecuadamente mediante relaciones simples de
causa y efecto, pues operan a partir de interacciones múltiples, dinámicas emergentes y efectos
no siempre previsibles.
Durante varias décadas, el acrónimo VUCA fue utilizado para describir este tipo de
entorno. VUCA significa volatility, uncertainty, complexity and ambiguity, es decir,
volatilidad, incertidumbre, complejidad y ambigüedad. El concepto fue incorporado al
vocabulario estratégico y organizacional para expresar contextos en los que las condiciones
cambian rápidamente, la información disponible es incompleta, las variables interactúan de
manera compleja y los acontecimientos admiten múltiples interpretaciones. Sin embargo,
aunque VUCA permitió nombrar una época de inestabilidad, su formulación todavía conserva
cierta confianza en la posibilidad de mapear escenarios, anticipar riesgos y construir respuestas
estratégicas mediante herramientas relativamente estructuradas de análisis.
En los últimos años, la noción de mundo BANI ha sido propuesta como una forma de
describir una experiencia más intensa de desorden, fragilidad y pérdida de inteligibilidad.
BANI es el acrónimo de Brittle, Anxious, Nonlinear and Incomprehensible, es decir, frágil,
ansioso, no lineal e incomprensible, conforme la formulación de Cascio (2020). La fragilidad
indica que sistemas aparentemente sólidos pueden romperse de manera súbita. La ansiedad
expresa un estado de presión permanente que afecta tanto a individuos como a organizaciones.
La no linealidad señala que pequeñas causas pueden producir grandes efectos, mientras que
grandes esfuerzos pueden generar resultados mínimos. La incomprensibilidad, por último,
remite a situaciones en las que los acontecimientos se vuelven difíciles de explicar incluso
después de haber ocurrido.
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
5
El pasaje de VUCA a BANI no debe ser entendido como una simple sustitución
terminológica, sino como una transformación en las condiciones cognitivas, emocionales y
organizacionales de la decisión. En entornos VUCA, decidir significaba enfrentar escenarios
difíciles, pero todavía analizables mediante marcos estratégicos relativamente conocidos. En
entornos BANI, el desafío se profundiza: no se trata sólo de decidir con información
incompleta, sino de decidir cuando los propios marcos de interpretación se vuelven inestables.
La cuestión central ya no es únicamente prever mejor, sino comprender, priorizar, actuar y
aprender en contextos donde la presión, la fragilidad y la incomprensibilidad afectan la
capacidad de juicio.
La inteligencia artificial, en adelante IA, emerge en este escenario como una de las
tecnologías más influyentes en la reorganización de los procesos decisorios. En términos
generales, la IA puede ser entendida como un conjunto de sistemas computacionales capaces
de realizar tareas asociadas al aprendizaje, la clasificación, la predicción, la generación de
contenido, el reconocimiento de patrones y el apoyo a decisiones. Su expansión reciente está
vinculada al aumento de la capacidad de procesamiento, a la disponibilidad masiva de datos y
al desarrollo de modelos algorítmicos cada vez más sofisticados. Desde esta perspectiva, la IA
ya no aparece solamente como una herramienta operacional, sino como una infraestructura
cognitiva capaz de mediar procesos de interpretación, priorización, simulación y decisión.
Sin embargo, la incorporación de IA en las organizaciones no puede ser comprendida
únicamente como una mejora técnica o como una fuente automática de eficiencia. Diversos
debates sobre algoritmos, plataformas y poder informacional han mostrado que los sistemas
técnicos no son neutros, pues incorporan criterios de diseño, formas de clasificación, supuestos
normativos y relaciones de poder que afectan prácticas sociales y organizacionales (Winner,
1986; Feenberg, 1999; Srnicek, 2018). En el caso de la IA, esta dimensión se vuelve
especialmente relevante porque los sistemas algorítmicos pueden influir en la forma en que los
problemas son formulados, las alternativas son comparadas, los riesgos son percibidos y las
decisiones son justificadas.
En contextos BANI, esa ambivalencia se vuelve aún más evidente. Por un lado, la IA
puede ayudar a reducir la sobrecarga informacional, ampliar la capacidad de análisis, apoyar
simulaciones, detectar patrones y organizar información dispersa. Por otro lado, también puede
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
6
intensificar nuevas formas de dependencia tecnológica, opacidad decisoria, automatización
acrítica y desplazamiento del juicio humano. Cuando las organizaciones delegan procesos de
interpretación y recomendación a sistemas algorítmicos sin criterios claros de supervisión,
trazabilidad y responsabilidad, la IA deja de funcionar apenas como apoyo y pasa a convertirse
en una mediación decisoria capaz de reforzar fragilidades existentes.
En este punto, la noción de gobernanza algorítmica resulta central. Por gobernanza
algorítmica se entiende el conjunto de principios, reglas, mecanismos de supervisión y formas
de responsabilidad orientadas a regular el diseño, uso y efectos de sistemas algorítmicos en
procesos sociales y organizacionales. Esta discusión se relaciona con debates contemporáneos
sobre accountability, transparencia, auditoría, responsabilidad institucional y control humano
significativo en sistemas automatizados (Kroll et al., 2017; Floridi et al., 2018; OECD, 2019).
En el campo de la IA, gobernar no significa apenas adoptar tecnología, sino definir quién
decide, con base en qué criterios, bajo qué controles y con qué posibilidad de revisión.
Otro concepto fundamental para este artículo es el de aplicabilidad. La explicabilidad,
o explainable artificial intelligence, se refiere a la capacidad de hacer que los resultados,
recomendaciones o decisiones de sistemas de IA sean comprensibles para los seres humanos
en un nivel suficiente para evaluación, contestación y responsabilidad. Autores como Gunning
y Aha (2019) y Arrieta et al. (2020) muestran que la explicabilidad no es apenas un problema
técnico, sino también organizacional y ético, porque decisiones mediadas por IA necesitan ser
interpretables por quienes las utilizan, las supervisan o son afectados por ellas. En entornos
BANI, la explicabilidad adquiere una importancia especial, pues la incomprensibilidad del
contexto no puede ser agravada por la incomprensibilidad del sistema tecnológico utilizado
para decidir.
Este artículo parte de la premisa de que la principal cuestión no es si las organizaciones
deben o no utilizar inteligencia artificial, sino cómo pueden integrarla sin perder capacidad
crítica, responsabilidad institucional y soberanía cognitiva. En este trabajo, la soberanía
cognitiva es entendida como la capacidad humana y organizacional de comprender, cuestionar,
contextualizar y responsabilizarse por decisiones asistidas por sistemas de IA. No se trata de
rechazar la automatización ni de defender una separación rígida entre humanos y máquinas,
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
7
sino de construir modelos de orquestación en los que la IA amplíe la capacidad decisoria sin
sustituir el juicio, la ética y la responsabilidad de los sujetos y de las instituciones.
A partir de este marco, el problema central que orienta el artículo puede formularse de
la siguiente manera: ¿cómo puede la inteligencia artificial apoyar la toma de decisiones
organizacionales en entornos BANI sin producir dependencia cognitiva, opacidad decisoria o
debilitamiento de la responsabilidad humana? Esta pregunta adquiere especial relevancia
porque muchas organizaciones están incorporando IA en procesos de gestión, análisis,
comunicación, educación corporativa, atención al cliente, planificación estratégica y toma de
decisión sin contar todavía con modelos suficientemente maduros de gobernanza algorítmica.
La expansión de la IA avanza, en muchos casos, más rápido que la capacidad institucional de
supervisarla, explicarla y responsabilizarse por sus efectos.
El objetivo general de este artículo es analizar la inteligencia artificial como
infraestructura cognitiva de apoyo decisional en entornos BANI, articulando los debates sobre
liderazgo adaptativo, gobernanza algorítmica, explicabilidad, supervisión humana y soberanía
cognitiva. De manera específica, el trabajo busca: primero, situar el concepto de mundo BANI
como marco interpretativo para comprender los desafíos actuales de la decisión organizacional;
segundo, examinar el papel de la IA en la mediación de procesos de interpretación, priorización
y decisión; tercero, discutir los riesgos asociados a la automatización acrítica, la opacidad y la
dependencia tecnológica; y cuarto, proponer un marco de orquestación humano-IA orientado
a decisiones más explicables, trazables y responsables.
Metodológicamente, el artículo adopta una estrategia teórico-analítica basada en revisión
conceptual y articulación crítica de literatura sobre BANI, complejidad, liderazgo adaptativo,
inteligencia artificial, gobernanza algorítmica, explicabilidad y transformación digital.
La selección bibliográfica priorizó obras clásicas y contemporáneas directamente relacionadas
con los ejes analíticos del estudio, complementadas por documentos institucionales recientes
de organismos internacionales ampliamente reconocidos. Los trabajos fueron seleccionados
considerando su relevancia conceptual, actualidad y contribución para el análisis de la toma de
decisiones organizacionales en entornos BANI
No se pretende realizar una medición empírica exhaustiva ni presentar un estudio de caso
cerrado, sino construir una base interpretativa capaz de orientar investigaciones posteriores,
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
8
aplicaciones organizacionales y desarrollos editoriales más amplios. En este sentido, el texto
también funciona como fundamento para futuras derivaciones académicas y para una posterior
ampliación en formato de libro, con un lenguaje más aplicado y recursos visuales orientados a
gestores, educadores y profesionales interesados en IA estratégica.
El artículo se organiza de la siguiente manera. En primer lugar, se presenta el marco
conceptual del mundo BANI y su relación con la crisis de los modelos tradicionales de
previsibilidad organizacional. En segundo lugar, se analiza la inteligencia artificial como
infraestructura cognitiva y decisional. En tercer lugar, se discuten los riesgos de dependencia,
opacidad y automatización acrítica en la adopción de IA. En cuarto lugar, se examina el papel
del liderazgo adaptativo y de la gobernanza algorítmica en la orquestación de sistemas humano-
IA. Por último, se proponen principios orientadores para preservar la soberanía cognitiva y
fortalecer decisiones organizacionales más responsables en escenarios de incertidumbre
radical.
Del mundo VUCA al mundo BANI: crisis de previsibilidad y nuevos desafíos decisionales
Durante varias décadas, el concepto VUCA fue utilizado para describir entornos
organizacionales marcados por volatilidad, incertidumbre, complejidad y ambigüedad. La
volatilidad remite a cambios rápidos e inestables; la incertidumbre, a la dificultad de anticipar
acontecimientos; la complejidad, a la interacción entre múltiples variables; y la ambigüedad, a
la existencia de interpretaciones diferentes sobre un mismo fenómeno. En el campo de la
gestión, VUCA permitió expresar el debilitamiento de modelos tradicionales de planificación
y control frente a mercados más dinámicos, tecnologías emergentes y transformaciones
sociales aceleradas.
Sin embargo, el marco VUCA todavía conserva cierta confianza en la posibilidad de
mapear escenarios, identificar riesgos y responder mediante herramientas estratégicas
relativamente estructuradas. Su lógica presupone que, aunque el entorno sea difícil, todavía
puede ser interpretado mediante análisis, planificación adaptativa y gestión de incertidumbre.
En cambio, el concepto BANI, propuesto por Cascio (2020), describe una experiencia más
radical de inestabilidad. BANI es el acrónimo de Brittle, Anxious, Nonlinear and
Incomprehensible, es decir, frágil, ansioso, no lineal e incomprensible. Este marco no sólo
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
9
señala que el mundo cambia rápidamente, sino que muchos sistemas pueden romperse
súbitamente, producir ansiedad permanente, generar efectos desproporcionados y volverse
difíciles de comprender incluso después de los acontecimientos.
La fragilidad, en este contexto, no significa simple debilidad. Un sistema frágil puede
parecer estable mientras acumula tensiones internas que sólo se vuelven visibles en el momento
de la ruptura. Esta dimensión es relevante para las organizaciones porque muchas estructuras
empresariales, educativas, tecnológicas o institucionales funcionan bajo aparente normalidad
hasta que una crisis revela dependencias ocultas, cuellos de botella o vulnerabilidades
sistémicas. La ansiedad, por su parte, no debe ser entendida apenas como un estado psicológico
individual, sino como una condición organizacional asociada a presión decisoria, sobrecarga
informacional y sensación permanente de urgencia.
La no linealidad indica que las relaciones entre causa y efecto dejan de ser
proporcionales. En escenarios no lineales, pequeñas decisiones pueden producir impactos
amplios, mientras grandes esfuerzos pueden generar resultados limitados. Esta condición
desafía modelos de gestión basados en previsibilidad, control incremental y extrapolación de
tendencias pasadas. Finalmente, la incomprensibilidad expresa la dificultad de atribuir sentido
a fenómenos complejos, especialmente cuando la abundancia de datos no se traduce
automáticamente en comprensión. En otras palabras, el problema contemporáneo no es sólo la
falta de información, sino también la dificultad de interpretarla.
Desde la perspectiva de la teoría de la complejidad, esta transición puede ser
comprendida como parte de un movimiento más amplio de crisis de los modelos lineales de
explicación. Morin (2005) sostiene que la complejidad exige articular elementos múltiples,
contradictorios e interdependientes, evitando reduccionismos. Urry (2005), por su parte,
muestra que las ciencias sociales contemporáneas necesitan considerar dinámicas emergentes,
sistemas abiertos, movilidad e imprevisibilidad. Estas contribuciones ayudan a situar el mundo
BANI no como una moda terminológica, sino como una lente para interpretar sistemas sociales
y organizacionales marcados por interdependencia, vulnerabilidad y emergencia.
En este escenario, la toma de decisiones organizacionales se vuelve más exigente. En
entornos relativamente previsibles, decidir implicaba comparar alternativas, proyectar
consecuencias y elegir cursos de acción con base en información disponible. En entornos
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
10
VUCA, esa lógica se volvió más difícil, pero todavía era posible trabajar con escenarios,
gestión de riesgos y adaptación estratégica. En entornos BANI, el desafío se desplaza: no se
trata sólo de decidir con información incompleta, sino de decidir cuando los propios marcos de
interpretación se vuelven inestables. La cuestión central pasa a ser cómo sostener juicio,
responsabilidad y aprendizaje en condiciones de presión, fragilidad e incomprensibilidad.
En ese punto, la inteligencia artificial aparece simultáneamente como una promesa y
como un riesgo. Puede ampliar la capacidad de análisis, identificar patrones, apoyar
simulaciones, organizar información dispersa y acelerar procesos decisorios. Sin embargo,
también puede inducir una falsa sensación de objetividad, reforzar sesgos ocultos, intensificar
la dependencia tecnológica y desplazar parcialmente el juicio humano hacia sistemas cuya
lógica no siempre es transparente. Por ello, el problema no consiste sólo en adoptar IA, sino en
gobernar la forma en que la organización piensa, interpreta y decide con apoyo de IA.
Tabla 1. VUCA, BANI y respuestas estratégicas de la inteligencia artificial
Marco
Rasgo central
Desafío decisional
Respuesta estratégica
VUCA
Volatilidad
Cambios rápidos
Escenarios
VUCA
Incertidumbre
Información incompleta
Riesgos
VUCA
Complejidad
Muchas variables
Sistemas
VUCA
Ambigüedad
Múltiples sentidos
Contexto
BANI
Fragilidad
Ruptura súbita
Resiliencia
BANI
Ansiedad
Presión decisoria
Priorización
BANI
No linealidad
Efectos desproporcionados
Simulación
BANI
Incomprensibilidad
Pérdida de sentido
Explicabilidad
Fuente: elaboración propia con base en Cascio (2020), Morin (2005) y Urry (2005).
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
11
La Tabla 1 sintetiza la diferencia entre los marcos VUCA y BANI y muestra por qué la
inteligencia artificial no debe ser tratada apenas como una herramienta técnica de eficiencia.
En escenarios VUCA, la IA puede apoyar análisis, modelado y gestión de información. En
escenarios BANI, su papel se vuelve más profundo, porque pasa a mediar procesos de
interpretación, priorización, simulación y aprendizaje organizacional. Sin embargo, cuanto más
central se vuelve la IA en esos procesos, más necesaria se vuelve una arquitectura de
gobernanza capaz de evitar dependencia cognitiva, automatización acrítica y opacidad
decisoria.
La inteligencia artificial como infraestructura cognitiva y decisional
La inteligencia artificial, en adelante IA, puede ser entendida como un conjunto de
sistemas computacionales capaces de realizar tareas asociadas al aprendizaje, la clasificación,
la predicción, la generación de contenido, el reconocimiento de patrones y el apoyo a
decisiones. Aunque existen múltiples definiciones de IA, una comprensión amplia permite
situarla no sólo como tecnología específica, sino como un campo de sistemas, métodos y
aplicaciones orientados a reproducir o ampliar capacidades tradicionalmente asociadas a la
inteligencia humana, como percepción, razonamiento, lenguaje, planificación y aprendizaje
(Russell & Norvig, 2021).
En el contexto organizacional, la IA no se limita a automatizar tareas repetitivas. Su expansión
reciente afecta procesos de análisis, comunicación, atención, planificación, gestión del
conocimiento, evaluación de riesgos y toma de decisiones. Esto significa que la IA se integra
progresivamente a la infraestructura cognitiva de las organizaciones. Por infraestructura
cognitiva se entiende aquí el conjunto de recursos técnicos, humanos, informacionales y
procedimentales que permiten a una organización observar su entorno, interpretar problemas,
priorizar alternativas y justificar decisiones. Esta definición permite desplazar la discusión
desde el uso instrumental de herramientas hacia la forma en que la IA modifica las condiciones
mismas del pensamiento organizacional.
La IA se vuelve infraestructura cognitiva cuando deja de ser apenas un recurso puntual
y pasa a participar de manera continua en procesos de interpretación. Esto ocurre, por ejemplo,
cuando sistemas algorítmicos ayudan a filtrar información, clasificar demandas, recomendar
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
12
acciones, construir escenarios, resumir documentos, identificar patrones de comportamiento o
generar alternativas estratégicas. En tales situaciones, la IA no sólo ejecuta una orden, sino que
participa en la construcción del campo de posibilidades que será considerado por gestores,
equipos e instituciones.
Esta transformación tiene una consecuencia importante: la IA modifica la relación entre
información, conocimiento y decisión. En modelos tradicionales de gestión, los datos eran
recolectados, organizados y posteriormente interpretados por personas o equipos
especializados. En ambientes mediados por IA, parte de esa interpretación ya llega
preprocesada, resumida, clasificada o recomendada por sistemas algorítmicos. Esto puede
aumentar la eficiencia y la velocidad decisoria, pero también puede reducir la visibilidad sobre
los criterios utilizados para organizar el problema. La decisión humana pasa, entonces, a ocurrir
sobre una realidad parcialmente mediada por la máquina.
La literatura crítica sobre tecnología ayuda a comprender esta cuestión. Winner (1986)
argumenta que los artefactos técnicos pueden cargar formas de orden social y político.
Feenberg (1999) sostiene que la tecnología no debe ser vista como instrumento neutro, sino
como campo de disputas, valores y elecciones sociales. Srnicek (2018), al analizar el
capitalismo de plataformas, muestra que las infraestructuras digitales no apenas conectan
actores, sino que capturan datos, organizan interacciones y estructuran dependencias. Estos
aportes son relevantes porque impiden una lectura ingenua de la IA como mera herramienta.
Cuando la IA se vuelve parte de la infraestructura cognitiva, también participa de la
organización del poder decisorio.
En ambientes BANI, esta mediación se vuelve todavía más sensible. En situaciones de
fragilidad, la organización busca señales de alerta. En situaciones de ansiedad, procura reducir
ruido y priorizar acciones. En contextos no lineales, intenta simular impactos y anticipar
efectos indirectos. Frente a la incomprensibilidad, busca explicaciones y narrativas capaces de
orientar la acción. La IA puede contribuir en todas estas dimensiones, pero también puede
producir una dependencia excesiva de respuestas rápidas, modelos predictivos y
recomendaciones automatizadas. La cuestión central no es la presencia de IA, sino la calidad
de la mediación que introduce.
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
13
En ese sentido, la IA debe ser comprendida como apoyo decisional, no como sustituto
automático del juicio humano. El apoyo decisional ocurre cuando sistemas técnicos amplían la
capacidad de observar, comparar, simular y aprender, sin eliminar la responsabilidad humana
por la decisión. Esta distinción es fundamental para preservar accountability, término que
puede ser comprendido como responsabilidad verificable por decisiones y sus efectos. En un
artículo sobre liderazgo, gobernanza e IA, accountability no significa apenas atribución de
culpa después de un error, sino capacidad institucional de explicar quién decidió, con base en
qué criterios, a partir de qué informaciones y bajo qué mecanismos de control.
Por lo tanto, tratar la IA como infraestructura cognitiva exige una modificación de
perspectiva. La pregunta deja de ser apenas “qué herramienta utilizar” y pasa a ser “cómo la
organización quiere pensar, decidir y aprender con sistemas de IA”. Esta formulación conecta
tecnología, liderazgo y gobernanza. La IA puede ampliar la inteligencia colectiva, pero también
puede reducir la reflexión crítica. Puede aumentar la velocidad, pero también crear decisiones
frágiles. Puede apoyar la explicación, pero también producir opacidad. Por eso, su adopción en
entornos BANI necesita estar acompañada por criterios claros de gobernanza, supervisión
humana y soberanía cognitiva.
Riesgos de dependencia cognitiva, opacidad y automatización acrítica
La incorporación de IA a los procesos decisorios produce beneficios evidentes, pero
también crea riesgos específicos. El primero de ellos es la dependencia cognitiva. Por
dependencia cognitiva se entiende la reducción progresiva de la capacidad humana u
organizacional de formular problemas, evaluar alternativas y sostener juicio propio sin recurrir
inmediatamente a una recomendación automatizada. Este riesgo no significa que la IA “piense”
en lugar de la organización en sentido fuerte, sino que la organización puede habituarse a
aceptar salidas algorítmicas como punto de partida obligatorio, reduciendo su autonomía
interpretativa.
La dependencia cognitiva es especialmente problemática en contextos BANI porque
las decisiones son tomadas bajo presión. Cuando hay ansiedad, sobrecarga informacional y
urgencia, las recomendaciones rápidas tienden a ganar autoridad. El riesgo es que la velocidad
sustituya al discernimiento. En vez de usar IA para ampliar el pensamiento, la organización
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
14
puede usarla para acortar indebidamente el proceso reflexivo. Así, la IA deja de ser apoyo y
pasa a funcionar como atajo decisorio.
El segundo riesgo es la opacidad decisoria. Opacidad significa dificultad de comprender
cómo una recomendación fue producida, qué datos fueron utilizados, qué criterios fueron
priorizados y qué limitaciones afectan el resultado. Este problema es ampliamente discutido en
el campo de la explainable artificial intelligence, o XAI, expresión que puede ser traducida
como inteligencia artificial explicable. Gunning y Aha (2019) muestran que la explicabilidad
busca volver los sistemas de IA más comprensibles para usuarios humanos. Arrieta et al. (2020)
amplían esa discusión al destacar que la explicabilidad involucra conceptos, taxonomías,
oportunidades y desafíos para una IA responsable.
En términos organizacionales, la explicabilidad no es sólo una propiedad técnica del
sistema. Es también una condición de gobernanza. Una decisión mediada por IA necesita ser
suficientemente comprensible para que pueda ser revisada, contestada, auditada y justificada.
En entornos BANI, esto se vuelve decisivo: si el contexto ya es incomprensible, la organización
no puede depender de sistemas igualmente incomprensibles para decidir. La
incomprensibilidad del ambiente no debe ser agravada por la incomprensibilidad de la
tecnología utilizada para orientar decisiones.
El tercer riesgo es la automatización acrítica. Por automatización acrítica se entiende la
aceptación de recomendaciones, clasificaciones o respuestas algorítmicas sin evaluación
humana proporcional a la relevancia de la decisión. Este riesgo se relaciona con el automation
bias, o sesgo de automatización, fenómeno por el cual usuarios tienden a confiar excesivamente
en sistemas automatizados, incluso cuando existen señales de error, insuficiencia o limitación.
En el contexto organizacional, esto puede producir decisiones aparentemente racionales, pero
basadas en criterios no examinados.
La automatización acrítica también se conecta al problema de la falsa objetividad. Los
sistemas de IA frecuentemente presentan sus respuestas en lenguaje técnico, probabilístico o
altamente organizado, lo que puede generar sensación de neutralidad. Sin embargo, los
modelos algorítmicos son producidos a partir de datos, elecciones de diseño, objetivos de
optimización y contextos institucionales específicos. Como argumentan Winner (1986) y
Feenberg (1999), los sistemas técnicos incorporan valores, prioridades y formas de
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
15
organización social. Por lo tanto, una recomendación algorítmica no debe ser confundida con
una verdad objetiva.
Estos riesgos indican que la adopción de IA debe estar acompañada por mecanismos
de gobernanza. El NIST AI Risk Management Framework propone una aproximación para
gestionar riesgos de IA e incorporar consideraciones de confiabilidad al diseño, desarrollo, uso
y evaluación de sistemas (NIST, 2023). La OECD (2019) también enfatiza principios como
crecimiento inclusivo, transparencia, robustez, seguridad y responsabilidad. La UNESCO
(2021), por su parte, sitúa la ética de la IA en relación con derechos humanos, dignidad,
supervisión humana, sostenibilidad e inclusión. Estos marcos permiten sostener que la
gobernanza de IA no es un complemento secundario, sino una condición para que la tecnología
pueda ser utilizada de manera responsable.
En el mismo sentido, el Reglamento Europeo de Inteligencia Artificial, conocido como
AI Act, consolida una orientación regulatoria basada en niveles de riesgo y obligaciones
diferenciadas para determinados usos de IA (European Parliament and Council of the European
Union, 2024). Aunque el AI Act pertenece al contexto europeo, su relevancia analítica es
amplia porque muestra una tendencia internacional a tratar la IA no sólo como innovación, sino
como infraestructura sociotécnica con impactos sobre derechos, seguridad, transparencia y
responsabilidad. Para organizaciones que operan en entornos BANI, esta perspectiva es
especialmente importante: cuanto mayor la incertidumbre, mayor la necesidad de criterios
verificables de supervisión y control.
Así, los riesgos de dependencia cognitiva, opacidad y automatización acrítica no deben
ser vistos como argumentos contra la IA. Deben ser entendidos como señales de que la IA
necesita ser integrada a procesos organizacionales maduros. En un entorno frágil, ansioso, no
lineal e incomprensible, el peligro no está sólo en decidir sin IA, sino también en decidir con
IA sin gobernanza. El desafío es construir una relación en la que la tecnología amplíe la
inteligencia organizacional sin debilitar la responsabilidad humana.
Liderazgo adaptativo y gobernanza de decisiones en sistemas humano-IA
La discusión sobre IA en entornos BANI no puede ser reducida a una cuestión técnica.
Aunque los sistemas algorítmicos tengan importancia creciente, la calidad de su incorporación
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
16
depende de capacidades humanas, organizacionales e institucionales. En este punto, el
concepto de liderazgo adaptativo se vuelve especialmente relevante. Por liderazgo adaptativo
se entiende la capacidad de movilizar personas, conocimientos y recursos para enfrentar
problemas que no tienen solución inmediata, técnica o previamente conocida. Heifetz (1994)
distingue entre problemas técnicos, que pueden ser enfrentados con conocimientos existentes,
y desafíos adaptativos, que exigen aprendizaje, cambio de valores, reorganización de prácticas
y revisión de supuestos.
Esta distinción es fundamental para comprender el papel de la IA en entornos BANI.
Muchos problemas organizacionales contemporáneos no son apenas técnicos. No basta
incorporar una herramienta, contratar una plataforma o automatizar una tarea. Cuando la
organización enfrenta fragilidad, ansiedad, no linealidad e incomprensibilidad, la cuestión
central es adaptativa: cómo interpretar señales, reorganizar prioridades, revisar modelos
mentales, contener presiones y sostener decisiones responsables en condiciones inestables. La
IA puede apoyar ese proceso, pero no reemplaza la función adaptativa del liderazgo.
Heifetz, Grashow y Linsky (2009) sostienen que liderar adaptativamente implica crear
condiciones para que individuos y grupos enfrenten tensiones difíciles, aprendan con el
contexto y ajusten sus prácticas. En el marco de este artículo, esa perspectiva permite entender
el liderazgo no como control absoluto, sino como orquestación. Orquestar no significa dominar
todos los elementos del sistema, sino coordinar capacidades diversas, ajustar ritmos, escuchar
señales y mantener coherencia entre acción, aprendizaje y responsabilidad. En sistemas
humano-IA, esta metáfora es especialmente productiva: el líder no debe tratar la IA como
sustituto del equipo, sino como parte de una arquitectura decisoria más amplia.
La gobernanza de decisiones se refiere al conjunto de criterios, procesos y
responsabilidades que orientan cómo una organización formula problemas, evalúa alternativas,
toma decisiones, registra justificativas y revisa resultados. En contextos mediados por IA, esta
gobernanza necesita incluir preguntas específicas: qué decisiones pueden ser apoyadas por IA;
qué decisiones requieren supervisión humana directa; qué datos alimentan los sistemas; qué
criterios orientan las recomendaciones; quién puede contestar una salida algorítmica; y cómo
se documentan errores, aprendizajes y ajustes.
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
17
Este enfoque aproxima la gobernanza de decisiones a la noción de human oversight, o
supervisión humana. La supervisión humana no debe ser entendida como una formalidad
simbólica, sino como capacidad real de intervención, revisión y responsabilidad. En otras
palabras, no basta afirmar que hay un ser humano “en el circuito” si ese humano no comprende
el sistema, no tiene autoridad para cuestionarlo o no dispone de información suficiente para
revisar sus recomendaciones. La supervisión humana significativa exige competencia, tiempo,
acceso a explicaciones y legitimidad organizacional para intervenir.
En ambientes BANI, el liderazgo adaptativo debe actuar en tres niveles. El primer nivel
es interpretativo: ayudar a la organización a comprender qué tipo de problema enfrenta y qué
papel la IA puede desempeñar sin producir simplificaciones excesivas. El segundo nivel es
procedimental: definir reglas, flujos, responsabilidades y mecanismos de revisión para
decisiones asistidas por IA. El tercer nivel es cultural: formar equipos capaces de utilizar IA
con pensamiento crítico, evitando tanto el rechazo tecnofóbico como la adhesión acrítica a la
automatización.
Esa dimensión cultural es decisiva. Organizaciones que utilizan IA sin desarrollar
cultura analítica, ética y crítica pueden ampliar su capacidad operacional, pero no
necesariamente su inteligencia institucional. La IA puede producir respuestas rápidas, pero sólo
una cultura organizacional reflexiva puede evaluar si esas respuestas son pertinentes, justas,
explicables y estratégicamente consistentes. Por ello, liderazgo adaptativo y gobernanza
algorítmica deben ser pensados de manera articulada. El liderazgo da sentido, prioridad y
responsabilidad al uso de IA; la gobernanza ofrece mecanismos para que ese uso sea
verificable, revisable y alineado con valores institucionales.
En este punto, la inteligencia colectiva también adquiere relevancia. Por inteligencia
colectiva se entiende la capacidad de grupos, organizaciones o comunidades de producir
comprensión y acción a partir de la combinación de conocimientos diversos. En sistemas
humano-IA, la inteligencia colectiva no se limita a sumar personas y máquinas. Ella depende
de la calidad de las interacciones entre expertos, gestores, usuarios, datos, modelos, normas y
contextos. Una organización puede tener IA sofisticada y aun así decidir mal si sus procesos
colectivos son pobres, si sus incentivos son contradictorios o si sus mecanismos de revisión
son débiles.
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
18
El liderazgo adaptativo, por lo tanto, no elimina la incertidumbre, sino que organiza
formas responsables de aprender con ella. En vez de prometer control absoluto sobre sistemas
complejos, crea condiciones para interpretación compartida, experimentación prudente y
corrección de rumbo. En entornos BANI, esta capacidad se vuelve estratégica. La IA puede
ampliar la percepción y acelerar análisis, pero la organización necesita conservar capacidad de
juicio, deliberación y responsabilidad. Esa es la base para pensar la soberanía cognitiva como
criterio central de la gobernanza humano-IA.
Soberanía cognitiva y principios para la orquestación humano-IA
La noción de soberanía cognitiva ocupa un lugar central en este artículo porque permite
nombrar un riesgo que no siempre aparece de manera explícita en los debates sobre adopción
de IA. En términos generales, soberanía cognitiva puede ser entendida como la capacidad de
individuos y organizaciones de conservar autonomía interpretativa, juicio crítico y
responsabilidad sobre los procesos mediante los cuales comprenden el mundo y toman
decisiones. En el contexto de este trabajo, la soberanía cognitiva no significa rechazar sistemas
automatizados, sino evitar que la mediación algorítmica sustituya silenciosamente la capacidad
humana y organizacional de comprender, cuestionar y responsabilizarse.
Esta idea dialoga con debates sobre autonomía, autodeterminación informacional,
privacidad, explicabilidad y gobernanza de datos. En sociedades datificadas, gran parte de la
experiencia social y organizacional pasa a ser mediada por sistemas que clasifican,
recomiendan, perfilan y priorizan información. Cuando esas mediaciones no son
comprensibles ni contestables, los sujetos pueden perder capacidad de orientación frente a
sistemas que afectan sus oportunidades, decisiones y formas de acción. En las organizaciones,
algo semejante ocurre cuando equipos y gestores dependen de modelos algorítmicos sin
comprender suficientemente sus criterios, límites o efectos.
La soberanía cognitiva organizacional exige, por lo tanto, tres capacidades. La primera
es comprensión: la organización necesita entender de manera suficiente cómo la IA participa
de sus procesos decisorios. Esto no implica que todos deban dominar aspectos técnicos
avanzados, sino que exista conocimiento proporcional al riesgo y a la importancia de la
decisión. La segunda es contestación: recomendaciones algorítmicas deben poder ser
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
19
cuestionadas, revisadas y eventualmente rechazadas. La tercera es responsabilidad: la
organización debe ser capaz de asumir las consecuencias de sus decisiones, incluso cuando
fueron apoyadas por sistemas automatizados.
Estos tres elementos permiten diferenciar el uso maduro de IA de una adopción meramente
instrumental. Una organización puede utilizar IA para generar textos, clasificar clientes, apoyar
diagnósticos, recomendar inversiones, priorizar demandas o simular escenarios. La cuestión
decisiva no es apenas si el sistema funciona, sino si la organización conserva capacidad de
explicar por qué lo utilizó, cómo interpretó sus resultados y de qué manera asumió
responsabilidad por la decisión final. Sin esta capacidad, la IA puede ampliar eficiencia, pero
reducir soberanía cognitiva.
En entornos BANI, preservar soberanía cognitiva significa evitar que la ansiedad
conduzca a la delegación acrítica. Significa impedir que la fragilidad organizacional sea
ocultada por automatizaciones superficiales. Significa reconocer que la no linealidad exige
simulación y aprendizaje, pero no certeza artificial. Significa aceptar que la incomprensibilidad
del mundo no será resuelta por respuestas automáticas, aunque pueda ser parcialmente
enfrentada por sistemas de apoyo bien gobernados. La soberanía cognitiva, en este sentido,
funciona como criterio ético, estratégico y epistemológico para evaluar la relación entre
humanos e IA.
A partir de la discusión desarrollada, es posible proponer algunos principios para la
orquestación humano-IA en organizaciones que operan en entornos BANI. El primer principio
es la explicabilidad proporcional. Decisiones de bajo impacto pueden exigir explicaciones
simples, mientras decisiones de alto impacto requieren mayor transparencia, documentación y
revisión. El segundo principio es la supervisión humana significativa, entendida como
capacidad real de intervención y no como validación formal. El tercer principio es la
trazabilidad, es decir, la posibilidad de reconstruir datos, criterios, versiones, actores y
justificativas involucradas en una decisión asistida por IA.
El cuarto principio es la responsabilidad institucional. El cuarto principio es la
responsabilidad institucional, recomendación es generada por IA, la responsabilidad por su uso
permanece en la organización. El quinto principio es el aprendizaje organizacional. Cada
interacción con IA debe ser tratada como oportunidad de mejorar criterios, revisar procesos y
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
20
fortalecer capacidades internas. El sexto principio es la protección de la autonomía crítica, que
exige formar personas capaces de usar IA sin convertirla en autoridad incuestionable. Estos
principios no buscan cerrar la discusión, sino ofrecer una base para orientar prácticas
organizacionales más responsables.
Tabla 2. Riesgos de la IA y mecanismos de gobernanza en entornos BANI
Riesgo
Efecto organizacional
Criterio de
responsabilidad
Dependencia
cognitiva
Pérdida de autonomía
interpretativa
Juicio humano
Opacidad decisoria
Dificultad de explicación
Justificación verificable
Automatización
acrítica
Aceptación pasiva de
salidas
Revisión activa
Falsa objetividad
Confianza excesiva en el
sistema
Evaluación contextual
Sesgos algorítmicos
Decisiones injustas o
distorsionadas
Corrección continua
Baja trazabilidad
Imposibilidad de
reconstrucción
Accountability
institucional
Fragilidad sistémica
Rupturas no anticipadas
Resiliencia adaptativa
Pérdida de soberanía
cognitiva
Delegación del juicio
Autonomía crítica
Fuente: elaboración propia con base en NIST (2023), OECD (2019), UNESCO (2021), European
Parliament and Council of the European Union (2024), Gunning y Aha (2019) y Arrieta et al. (2020).
La orquestación humano-IA no debe ser entendida como equilibrio estático entre
personas y máquinas. Se trata de una relación dinámica en la que capacidades humanas,
sistemas técnicos, reglas institucionales y contextos de incertidumbre se ajustan
continuamente. En algunos procesos, la IA puede asumir tareas de clasificación, síntesis o
simulación. En otros, debe limitarse a apoyo informacional. En decisiones críticas, su papel
debe estar subordinado a deliberación humana, criterios éticos y mecanismos robustos de
accountability.
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
21
Así, el liderazgo en entornos BANI no consiste en elegir entre control humano e
inteligencia artificial, sino en diseñar condiciones para que la IA amplíe la capacidad colectiva
sin sustituir la responsabilidad humana. Orquestar el caos significa reconocer que no todo
puede ser previsto, que no todo puede ser automatizado y que no toda respuesta rápida es una
decisión inteligente. Significa, sobre todo, construir organizaciones capaces de aprender con
sistemas de IA sin abdicar de su propio juicio.
Discusión
La discusión desarrollada en este artículo permite sostener que la inteligencia artificial
no puede ser comprendida, en entornos BANI, únicamente como una herramienta de eficiencia
operacional. Su papel se vuelve más profundo porque participa en la forma en que las
organizaciones perciben problemas, organizan información, priorizan alternativas, simulan
escenarios y justifican decisiones. Esta transformación desplaza el debate desde la simple
adopción tecnológica hacia una pregunta más compleja: bajo qué condiciones la IA amplía la
capacidad decisoria sin debilitar el juicio humano, la responsabilidad institucional y la
soberanía cognitiva.
El pasaje de VUCA a BANI resulta central para esta interpretación. Mientras VUCA
todavía permite imaginar respuestas basadas en escenarios, gestión de riesgos y adaptación
estratégica, BANI expresa una condición más radical de fragilidad, ansiedad, no linealidad e
incomprensibilidad. En ese contexto, la información disponible no garantiza comprensión, la
velocidad no garantiza buena decisión y la automatización no garantiza inteligencia
organizacional. Por ello, el desafío decisional contemporáneo no se reduce a procesar más
datos, sino a construir capacidades de interpretación, revisión y responsabilidad en escenarios
donde los propios marcos de sentido se vuelven inestables.
Desde esta perspectiva, la IA aparece como una mediación ambivalente. Por un lado,
puede contribuir a reducir sobrecarga informacional, identificar patrones, apoyar simulaciones,
organizar señales débiles y ampliar la capacidad analítica de equipos humanos. Por otro lado,
puede producir dependencia cognitiva, opacidad decisoria, automatización acrítica y pérdida
de autonomía interpretativa. Esta ambivalencia confirma la necesidad de superar tanto el
entusiasmo tecnosolucionista como el rechazo defensivo de la tecnología. La cuestión no es
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
22
defender o rechazar la IA en abstracto, sino comprender cómo se integra a sistemas
organizacionales concretos y bajo qué mecanismos de gobernanza.
La noción de infraestructura cognitiva permite interpretar esta transformación con
mayor precisión. Cuando la IA se integra a procesos de análisis, comunicación, planificación,
gestión del conocimiento y toma de decisiones, deja de ser una herramienta externa y pasa a
formar parte de las condiciones mediante las cuales la organización piensa y actúa. En otras
palabras, la IA no sólo responde preguntas, sino que puede influir en qué preguntas son
formuladas, qué información aparece como relevante y qué alternativas son consideradas
plausibles. Esta dimensión confirma la importancia de los aportes críticos de Winner (1986),
Feenberg (1999) y Srnicek (2018), en la medida en que muestran que las tecnologías
incorporan valores, relaciones de poder y formas específicas de organización social.
La discusión también evidencia que la gobernanza de IA no debe ser pensada apenas
como una exigencia normativa externa. Aunque marcos como OECD (2019), UNESCO
(2021), NIST (2023) y el AI Act europeo ofrecen referencias importantes para la regulación,
la transparencia, la gestión de riesgos y la supervisión humana, su efectividad depende de
capacidades organizacionales internas. Una organización puede declarar principios éticos y,
aun así, operar con baja trazabilidad, supervisión simbólica y dependencia excesiva de sistemas
que no comprende. Por eso, la gobernanza algorítmica necesita traducirse en prácticas
concretas de documentación, revisión, explicación, auditoría y responsabilización.
En este punto, el liderazgo adaptativo se vuelve una pieza fundamental. Los desafíos
planteados por la IA en entornos BANI no son meramente técnicos, porque no se resuelven
sólo con mejores herramientas o con mayor capacidad de procesamiento. Son desafíos
adaptativos, en el sentido propuesto por Heifetz (1994) y Heifetz, Grashow y Linsky (2009),
porque exigen aprendizaje, revisión de supuestos, reorganización de prácticas y construcción
de nuevas capacidades colectivas. Liderar en este contexto no significa controlar todos los
resultados, sino crear condiciones para que personas, equipos e instituciones puedan aprender
con la incertidumbre sin delegar automáticamente su juicio a sistemas algorítmicos.
La soberanía cognitiva emerge, por lo tanto, como uno de los principales criterios
estratégicos para evaluar la relación entre humanos e IA. Una organización preserva soberanía
cognitiva cuando comprende de manera suficiente los sistemas que utiliza, puede cuestionar
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
23
sus recomendaciones, contextualiza sus resultados y conserva responsabilidad por las
decisiones tomadas. La pierde cuando acepta salidas automatizadas como verdades operativas,
cuando no sabe explicar los criterios de una recomendación o cuando transforma la IA en una
autoridad incuestionable. En entornos BANI, esta pérdida puede ser especialmente grave,
porque la presión por respuestas rápidas tiende a favorecer atajos decisorios y validaciones
superficiales.
Las dos tablas presentadas en el desarrollo sintetizan este argumento. La primera
muestra que el marco BANI exige respuestas estratégicas diferentes de aquellas asociadas al
marco VUCA, especialmente cuando se trata de fragilidad, ansiedad, no linealidad e
incomprensibilidad. La segunda organiza los principales riesgos de la IA y los mecanismos de
gobernanza necesarios para enfrentarlos. Juntas, las tablas refuerzan la tesis de que la IA puede
ser una infraestructura de apoyo decisional, pero sólo se convierte en ventaja organizacional
cuando está acompañada por explicabilidad proporcional, supervisión humana significativa,
trazabilidad, formación crítica y accountability institucional.
En consecuencia, la contribución central del artículo consiste en proponer la
orquestación humano-IA como una respuesta organizacional a los entornos BANI. Orquestar
no significa equilibrar de manera mecánica humanos y máquinas, sino construir una
arquitectura dinámica de interacción entre capacidades algorítmicas, juicio humano,
aprendizaje colectivo y responsabilidad institucional. Esta orquestación exige definir qué
procesos pueden ser automatizados, cuáles deben ser apenas apoyados por IA, cuáles requieren
deliberación humana intensiva y qué mecanismos deben existir para revisar errores,
documentar decisiones y preservar autonomía crítica.
Esta perspectiva también permite diferenciar eficiencia de inteligencia organizacional.
Una organización puede volverse más rápida sin volverse más inteligente. Puede automatizar
procesos sin comprender mejor sus problemas. Puede generar respuestas con IA sin fortalecer
su capacidad de decidir responsablemente. La inteligencia organizacional, en el sentido
defendido aquí, depende de la capacidad de articular información, interpretación, contexto,
valores y responsabilidad. La IA puede ampliar esa capacidad, pero no la garantiza por sí sola.
Por último, la discusión permite afirmar que el principal desafío de la IA en entornos
BANI no es sólo tecnológico, sino epistemológico, ético y organizacional. Es epistemológico
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
24
porque involucra la forma en que las organizaciones conocen, interpretan y producen sentido.
Es ético porque afecta responsabilidad, transparencia, justicia y autonomía. Es organizacional
porque exige liderazgo, cultura, procesos e instituciones capaces de sostener decisiones
explicables y revisables. Así, la IA debe ser incorporada no como sustituto del pensamiento,
sino como infraestructura de apoyo a una racionalidad organizacional más reflexiva,
responsable y adaptativa.
En síntesis, orquestar el caos en entornos BANI significa reconocer que la
incertidumbre no será eliminada por sistemas inteligentes, pero puede ser enfrentada con
mejores capacidades de interpretación, aprendizaje y gobernanza. La IA puede apoyar ese
proceso cuando fortalece la inteligencia colectiva y preserva la soberanía cognitiva. Sin
embargo, cuando opera sin supervisión, explicabilidad y responsabilidad, puede intensificar
precisamente las fragilidades que promete resolver. Esa tensión constituye el núcleo del debate
contemporáneo sobre inteligencia artificial, liderazgo adaptativo y gobernanza de decisiones.
Conclusiones
Este artículo analizó el papel de la inteligencia artificial en la toma de decisiones
organizacionales en entornos BANI, caracterizados por fragilidad, ansiedad, no linealidad e
incomprensibilidad. A partir de una revisión teórico-analítica, se sostuvo que la IA no debe ser
comprendida únicamente como una herramienta de eficiencia operacional, sino como una
infraestructura cognitiva capaz de mediar procesos de interpretación, priorización, simulación,
aprendizaje y decisión. Esta mediación, sin embargo, no es neutra ni automáticamente positiva,
pues puede ampliar capacidades organizacionales, pero también producir dependencia
cognitiva, opacidad decisoria, automatización acrítica y debilitamiento del juicio humano.
La primera contribución del artículo consistió en situar el pasaje de VUCA a BANI
como una transformación en las condiciones organizacionales de la decisión. Mientras el marco
VUCA permite pensar contextos inestables mediante escenarios, gestión de riesgos y
adaptación estratégica, el marco BANI evidencia una crisis más profunda de previsibilidad,
inteligibilidad y control. En este escenario, decidir no significa apenas procesar más
información, sino construir condiciones para interpretar, revisar y responsabilizarse por
decisiones tomadas bajo presión e incertidumbre radical.
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
25
La segunda contribución fue proponer la noción de inteligencia artificial como
infraestructura cognitiva. Esta perspectiva permite comprender que la IA no sólo ejecuta tareas,
sino que participa en la forma en que las organizaciones perciben problemas, organizan
información, seleccionan alternativas y justifican decisiones. En diálogo con Winner (1986),
Feenberg (1999) y Srnicek (2018), el artículo mostró que los sistemas técnicos incorporan
valores, criterios de diseño, formas de clasificación y relaciones de poder. Por ello, la adopción
de IA debe ser analizada no sólo por sus resultados operativos, sino también por sus efectos
sobre la autonomía, la interpretación y la responsabilidad organizacional.
La tercera contribución consistió en articular liderazgo adaptativo, gobernanza
algorítmica y soberanía cognitiva como dimensiones complementarias de una misma
problemática. Los desafíos de la IA en entornos BANI no son apenas técnicos, sino adaptativos,
porque exigen aprendizaje, revisión de supuestos, reorganización de prácticas y construcción
de nuevas capacidades colectivas (Heifetz, 1994; Heifetz, Grashow y Linsky, 2009). En este
sentido, liderar no significa eliminar la incertidumbre, sino orquestar capacidades humanas,
tecnológicas e institucionales para sostener decisiones explicables, revisables y responsables.
La gobernanza algorítmica aparece, por lo tanto, como condición indispensable para el
uso responsable de IA. Marcos como OECD (2019), UNESCO (2021), NIST (2023) y el AI
Act europeo muestran que la discusión contemporánea sobre IA se desplaza progresivamente
hacia criterios de transparencia, gestión de riesgos, supervisión humana, trazabilidad y
responsabilidad. Sin embargo, el artículo argumentó que estos marcos sólo se vuelven efectivos
cuando son traducidos a prácticas organizacionales concretas, tales como documentación de
decisiones, auditoría de criterios, revisión humana significativa, formación crítica y
mecanismos de contestación.
La soberanía cognitiva fue presentada como criterio estratégico para preservar la
capacidad humana y organizacional de comprender, cuestionar, contextualizar y
responsabilizarse por decisiones asistidas por IA. En entornos BANI, esta soberanía se vuelve
especialmente relevante porque la presión por respuestas rápidas puede favorecer la delegación
acrítica del juicio a sistemas automatizados. Preservar soberanía cognitiva no significa rechazar
la IA, sino utilizarla de manera que amplíe la inteligencia colectiva sin transformar sus salidas
en verdades incuestionables.
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
26
Como síntesis, el artículo propuso la idea de orquestación humano-IA. Orquestar
sistemas humano-IA significa construir una relación dinámica entre capacidades algorítmicas,
juicio humano, liderazgo adaptativo, inteligencia colectiva y responsabilidad institucional. Esta
orquestación exige distinguir qué procesos pueden ser automatizados, qué decisiones deben ser
apenas apoyadas por IA, cuáles requieren deliberación humana intensiva y qué mecanismos
permiten revisar, explicar y corregir los resultados producidos con apoyo algorítmico.
El estudio también presenta límites. Al adoptar una estrategia teórico-analítica, no
pretende ofrecer una medición empírica exhaustiva ni validar estadísticamente los principios
propuestos. Su objetivo fue construir un marco conceptual integrador capaz de orientar
investigaciones futuras, aplicaciones organizacionales y debates sobre IA estratégica en
escenarios de incertidumbre radical. Futuras investigaciones podrán avanzar mediante estudios
de caso, entrevistas con gestores, análisis comparativos entre sectores, observación de procesos
decisorios mediados por IA y ...evaluación de modelos de gobernanza aplicados en
organizaciones públicas, privadas y educativas.
En conclusión, la inteligencia artificial puede convertirse en una aliada relevante para
organizaciones que enfrentan entornos BANI, siempre que sea incorporada con explicabilidad,
supervisión humana, trazabilidad, responsabilidad institucional y preservación de la soberanía
cognitiva. Sin estas condiciones, la IA corre el riesgo de intensificar las mismas fragilidades
que promete reducir. Orquestar el caos, por lo tanto, no significa automatizar la decisión, sino
construir organizaciones capaces de aprender, interpretar y decidir con IA sin abdicar del juicio
humano.
Bibliografía
Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A.,
García, S., Gil-López, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020).
Explainable artificial intelligence (XAI): Concepts, taxonomies, opportunities and challenges
toward responsible AI. Information Fusion, 58, 82-115.
https://doi.org/10.1016/j.inffus.2019.12.012
Cascio, J. (2020). Facing the age of chaos. Medium.
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
27
European Parliament and Council of the European Union. (2024). Regulation (EU)
2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down
harmonised rules on artificial intelligence and amending Regulations (Artificial Intelligence
Act). Official Journal of the European Union. http://data.europa.eu/eli/reg/2024/1689/oj
Feenberg, A. (1999). Questioning technology. Routledge.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Luetge, C., Madelin,
R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People: An ethical
framework for a good AI society. Minds and Machines, 28, 689-707.
https://doi.org/10.1007/s11023-018-9482-5
Gunning, D., & Aha, D. (2019). DARPA’s Explainable Artificial Intelligence (XAI)
Program. AI Magazine, 40(2), 44-58. https://doi.org/10.1609/aimag.v40i2.2850
Heifetz, R. A. (1994). Leadership without easy answers. Harvard University Press.
Heifetz, R. A., Grashow, A., & Linsky, M. (2009). The practice of adaptive leadership:
Tools and tactics for changing your organization and the world. Harvard Business Press.
Kroll, J. A., Huey, J., Barocas, S., Felten, E. W., Reidenberg, J. R., Robinson, D. G., &
Yu, H. (2017). Accountable algorithms. University of Pennsylvania Law Review, 165(3), 633-
705.
Morin, E. (2005). Introducción al pensamiento complejo. Gedisa.
National Institute of Standards and Technology. (2023). Artificial intelligence risk
management framework (AI RMF 1.0). U.S. Department of Commerce.
https://doi.org/10.6028/NIST.AI.100-1
OECD. (2019). Artificial intelligence in society. OECD Publishing.
https://doi.org/10.1787/eedfee77-en
Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.).
Pearson.
Srnicek, N. (2018). Capitalismo de plataformas. Caja Negra.
UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO.
Urry, J. (2005). The complexity turn. Theory, Culture & Society, 22(5), 1-14.
https://doi.org/10.1177/0263276405057188
Revista de Ciencias Empresariales y Sociales. Vol. 13, N°2, 2026 (Julio-Diciembre)
ISSN electrónico 2618-2327 (1-28)
28
Winner, L. (1986). The whale and the reactor: A search for limits in an age of high
technology. University of Chicago Press.