La IA más rápida no es la más inteligente
Hay un patrón que se repite en los proyectos de inteligencia artificial empresarial y que rara vez aparece en los dashboards de seguimiento: los usuarios empiezan a revisar dos veces lo que antes aceptaban sin titubear. No porque el sistema haya fallado. Sino porque el sistema avanzó antes de que ellos pudieran seguirlo.
EY le dio nombre a ese patrón en un artículo publicado en Fortune a fines de junio de 2026. Lo llamó "tempo gap": el punto donde la velocidad de la máquina supera la capacidad de comprensión humana. Patricia Camden, líder de experiencia del cliente en EY Studio+, y John Dubois, líder de estrategia de IA en las Américas, documentaron este fenómeno a partir de su trabajo con clientes empresariales en distintas industrias. Su diagnóstico es directo: la mayoría de las organizaciones cree que su mayor problema con la IA es la adopción. No lo es. Es el ritmo.
Lo que hace interesante este argumento no es que sea nuevo en términos técnicos. Es que lo están diciendo dos ejecutivos de una de las firmas de consultoría más grandes del mundo, en un medio de negocios de alto impacto, usando una gramática que ya no suena a eufemismo: el problema no está en el algoritmo, está en el diseño de la experiencia humana alrededor de ese algoritmo. Y eso tiene implicancias que van bastante más allá de la experiencia de usuario.
Cuando el sistema funciona bien y aun así algo sale mal
Los tres casos que Camden y Dubois citan para ilustrar el tempo gap son precisos en lo que revelan. Un viajero con un vuelo cancelado es reasignado automáticamente a otro vuelo antes de poder comparar opciones. Un cliente completa una solicitud financiera tan rápido que acepta condiciones materiales sin haberlas procesado. Un paciente en un formulario médico ve sus datos sensibles pre-completados antes de entender cómo serán usados.
En los tres casos, el sistema funcionó exactamente como fue diseñado. No hubo errores técnicos. No hubo fallas de seguridad. Y aun así, la experiencia produjo hesitación, desconfianza y, en algunos entornos, la reintroducción silenciosa de revisión manual en procesos que habían sido automatizados precisamente para eliminarla.
Ese último punto merece atención. Cuando los equipos empiezan a verificar outputs que antes aceptaban, no están siendo irracionales. Están respondiendo a una señal de diseño: el sistema se movió más rápido que su capacidad de comprensión, y eso generó una deuda de confianza que ahora tienen que saldar a mano. El costo no aparece en los indicadores de velocidad de proceso. Aparece en el tiempo invisible que los operadores dedican a re-validar lo que la IA ya hizo.
EY llama a esto "revisión manual que vuelve a filtrarse en el proceso". Desde una perspectiva de arquitectura organizacional, es algo más específico: es el síntoma de un sistema que fue optimizado para eficiencia sin ser calibrado para confianza. Y esa distinción no es semántica. Tiene consecuencias directas en los costos operativos y en la capacidad real de escalar.
El argumento que subyace al diagnóstico de EY es que la mayoría de las organizaciones todavía trata la adopción de IA como una iniciativa de eficiencia. La conversación corporativa sigue siendo sobre automatización, reducción de fricción y velocidad. Lo que se deja fuera de esa conversación es que acelerar los flujos de trabajo también cambia las demandas cognitivas de las personas que los atraviesan. Y cuando esas demandas no se diseñan bien, la eficiencia prometida se convierte en una ilusión operativa: el proceso es formalmente más rápido, pero las personas están corriendo detrás de él sin entender lo que están aprobando.
El punto ciego que nadie nombró en la sala de diseño
Aquí es donde el análisis de EY toca algo que va más allá de la experiencia de usuario y entra en territorio de arquitectura de poder. El tempo gap no es solo un problema de diseño de interfaz. Es, en primer lugar, un problema de quién estuvo presente cuando se tomaron las decisiones de diseño.
Los tres ejemplos que EY documenta, el viajero reasignado, el cliente financiero que acepta sin leer, el paciente con datos pre-completados, comparten una estructura común: un sistema que fue diseñado desde la perspectiva de quien lo opera, no desde la perspectiva de quien lo experimenta. La eficiencia de reasignación automática es perfectamente lógica desde el lado de la aerolínea o la agencia. La velocidad de la solicitud financiera es un logro desde la óptica del banco. La pre-completación de datos médicos parece una mejora de usabilidad desde el equipo técnico.
Lo que faltó en esas salas de diseño no fue intención maliciosa. Fue inteligencia periférica: la perspectiva de quien está en el extremo receptor del sistema y cuya experiencia no es la optimización del proceso, sino el mantenimiento de su propia capacidad de agencia.
Este es un patrón estructural en cómo se construyen sistemas de IA empresariales. Los equipos de diseño y producto tienden a estar compuestos por personas que comparten un conjunto de supuestos sobre cómo funciona la toma de decisiones, qué constituye una buena experiencia y cuánto tiempo razonable tarda alguien en procesar información. Cuando esos equipos son homogéneos en su relación con la tecnología, en su tolerancia a la velocidad, en su acceso previo a información financiera o médica compleja, producen sistemas calibrados para personas como ellos.
El tempo gap es, entre otras cosas, el costo de esa homogeneidad. No en términos morales, sino en términos de calidad del diseño. Un sistema que genera hesitación sistemática en sus usuarios es un sistema que fue diseñado sin incorporar las perspectivas de quienes más necesitan comprensión antes de actuar. Y eso es un problema de arquitectura de inteligencia colectiva, no de ética declarativa.
EY no enmarca su análisis en estos términos. Su entrada es más operacional: las organizaciones deben alinear el tempo de la máquina con el tempo humano. Esa es una prescripción sensata. Pero la pregunta anterior es más incómoda y más relevante para las empresas que están diseñando estos sistemas ahora mismo: ¿de qué sala de diseño salió el supuesto de que más rápido siempre es mejor, y quién estaba en esa sala?
La fricción como señal de diseño, no como obstáculo
Durante más de una década, la filosofía dominante en diseño digital fue la eliminación de fricción. Menos clics, menos pasos, menos tiempo entre intención y acción. Esa filosofía produjo resultados medibles: tasas de conversión más altas, mayor retención, procesos más rápidos. También produjo, silenciosamente, sistemas donde la velocidad empezó a servir más a quien opera el sistema que a quien lo usa.
EY propone un giro conceptual preciso: la fricción intencional como herramienta de diseño. No demoras arbitrarias, sino pausas deliberadas en los momentos donde un usuario necesita comprensión antes de actuar. Una confirmación antes de ejecutar una decisión financiera. Una explicación breve sobre cómo se usará un dato sensible. Un segundo de visibilidad sobre por qué el sistema hizo lo que hizo.
Lo notable de este argumento es que no está pidiendo que los sistemas sean más lentos en términos absolutos. Está pidiendo que sean selectivamente más lentos en los momentos de mayor consecuencia para el usuario. Eso requiere que el sistema sepa distinguir entre un momento de baja y alta carga cognitiva, entre una acción rutinaria y una decisión con implicaciones materiales. Esa capacidad de distinción no surge del algoritmo. Surge del diseño, y el diseño surge de quienes entienden qué hace que una decisión sea material para alguien que no tiene el mismo contexto que el equipo que construyó el sistema.
En sectores como servicios financieros, salud o seguros, este argumento tiene una dimensión regulatoria que EY menciona lateralmente pero que merece más peso. Las regulaciones de protección al consumidor, de consentimiento informado y de divulgación justa están construidas sobre el supuesto de que las personas comprenden lo que están aceptando. Un sistema de IA que mueve al usuario más rápido que su capacidad de comprensión no solo produce una experiencia deficiente. Produce una vulnerabilidad legal y regulatoria que las organizaciones están acumulando silenciosamente en cada flujo que optimizaron para velocidad sin considerar comprensión.
EY advierte que, si las organizaciones no nombran este problema por sí mismas, lo hará un regulador o un cliente. Esa es una predicción razonable dado el ritmo al que los marcos regulatorios sobre IA están avanzando en Europa y, con rezago, en otras regiones. La pregunta no es si habrá escrutinio externo sobre cómo los sistemas de IA manejan la agencia y la comprensión del usuario. La pregunta es cuánto daño acumulado habrá antes de que ese escrutinio llegue.
La próxima fase de adopción no se gana con velocidad
El argumento de EY tiene un núcleo estratégico que vale extraer con precisión: la siguiente fase de ventaja competitiva en IA no estará en quién automatiza más rápido, sino en quién calibra mejor el ritmo al que sus sistemas se relacionan con las personas que los usan.
Esto no es una concesión a la lentitud. Es un diagnóstico sobre dónde se está acumulando la deuda técnica y organizacional en los proyectos de IA empresarial. Las organizaciones que tienen altas tasas de override, revisión manual no planificada y hesitación sistemática de usuarios no están fallando en adopción. Están fallando en diseño. Y ese fallo tiene un costo directo en el retorno de los programas de IA, que prometían eliminar trabajo manual y están, en algunos casos, generándolo de vuelta por la puerta trasera.
La solución que EY propone, alinear el tempo de la máquina con el tempo humano, requiere una capacidad que no se construye solo con mejores algoritmos. Requiere que las organizaciones incorporen, en sus equipos de diseño de sistemas de IA, perspectivas de personas que representan el rango completo de experiencias de usuario: quienes tienen menos familiaridad tecnológica, quienes enfrentan mayor asimetría de información en contextos financieros o médicos, quienes tienen más en juego en cada interacción.
Eso no es filantropía de diseño. Es la condición estructural para que un sistema de IA sea lo suficientemente inteligente como para saber cuándo debe ir despacio. Y un sistema que no sabe cuándo ir despacio no es un sistema inteligente. Es un sistema rápido. La diferencia entre ambos es exactamente la brecha que EY acaba de ponerle nombre, y que la mayoría de las organizaciones todavía no tiene en su tablero de métricas.
