"La IA es extraordinaria construyendo el modelo y bastante mala dudando de él."
La frase es de un estudiante de mi curso de evaluación financiera de proyectos de innovación asistida con IA generativa, que dicto para el doctorado y la maestría del Nodo de Innovación de la Universidad de los Andes. Es probablemente la lección más valiosa que dejó el curso. En este artículo explico de dónde salió y por qué importa a cualquier organización que hoy aprueba proyectos de innovación.
No fueron casos de libro
Durante ocho semanas trabajamos sobre proyectos reales. No usamos casos académicos ni ejercicios hipotéticos. Cada uno de los 16 profesionales llegó con una decisión de inversión de su propia empresa o institución, y la llevó hasta una recomendación ante una junta directiva simulada.
Los proyectos iban desde una plataforma de puntaje crediticio alternativo hasta la automatización de la vigilancia en plantas industriales, pasando por turismo médico, vivienda amoblada para jóvenes profesionales, evaluación biomecánica de puestos de trabajo y formación docente en STEM. Las inversiones en juego iban de 80 a 4.053 millones de pesos.
El recorrido tuvo cuatro etapas.
- Un modelo determinístico, el de siempre, con un VPN, una TIR y una recomendación.
- Una simulación de Monte Carlo sobre las variables que más movían el resultado, con distribuciones justificadas por evidencia.
- Un análisis de opciones de decisión y el diseño de un experimento para validar la variable crítica antes de invertir.
- Una sustentación ante la junta y un informe final que integraba sus observaciones.
Lo que un solo número esconde
El primer hallazgo se repitió en varios proyectos. El VPN que se iba a presentar a la junta estaba en el percentil 97 o 98 de su propia distribución. No era el escenario esperado. Era casi el mejor resultado posible.
No había errores de cálculo. El modelo determinístico fijaba cada variable incierta en un valor razonable, y casi siempre ese valor era el favorable. Cuando se combinan seis o siete supuestos optimistas, el resultado no es el centro de la distribución. Es su borde. Sam Savage lo describió como "la falacia de los promedios" (The Flaw of Averages, 2009). Los planes basados en supuestos promedio fallan en promedio.
Un estudiante, abogado de profesión, lo explicó con una claridad que ningún manual de finanzas logra.
"Es la diferencia entre una sentencia desfavorable y una sentencia sin motivación. La primera se puede apelar; la segunda ni siquiera deja ver dónde está el error."
Un VPN único no está necesariamente mal. El problema es que no se puede auditar. No dice qué tan probable es perder, ni cuánto se perdería, ni qué supuesto sostiene todo el caso.
Los dos errores que un comité puede cometer
La investigación que da origen a este curso parte de una idea simple. Una junta que evalúa proyectos de innovación puede equivocarse de dos maneras. Puede aprobar un proyecto que destruye valor, un falso positivo. O puede rechazar uno que lo crea, un falso negativo. El VPN determinístico no permite saber cuál de los dos está cometiendo.
En el curso vimos ambos.
- Un falso negativo evitado. Un paquete de dos iniciativas daba un solo VPN negativo. Al separarlas, una ganaba en 99 de cada 100 escenarios simulados y la otra perdía en todos. Rechazar el paquete habría matado un buen proyecto.
- Un falso positivo evitado. Un proyecto con un VPN positivo de más de 8.000 millones resultó perder dinero en más de uno de cada cuatro escenarios simulados. El plan presentado era mejor que casi el 99 % de los futuros posibles.
Otro equipo lo resumió en una frase para su versión del primer entregable: "El número no estaba mal: estaba solo."
Del VPN único a la decisión con evidencia
Pasar de un VPN único a una distribución de resultados, con las variables críticas identificadas y el experimento que las valida antes de invertir, es el trabajo de una evaluación PRIME-10™.
- Distribución de probabilidad del valor del proyecto en lugar de un VPN único
- Variables de mayor incertidumbre identificadas
- Diseño del experimento crítico antes de comprometer el capital
PRIME-10™ ASSESSMENTCuando el riesgo está donde nadie lo busca
La simulación no solo corrigió cifras. También cambió la conversación sobre dónde está el riesgo.
Un equipo descubrió que su mayor riesgo no era el mercado sino una cláusula de IVA en el contrato. Si el contrato decía "más IVA", la probabilidad de pérdida desaparecía. Si decía "IVA incluido", el proyecto perdía dinero. El riesgo más grande se resolvía con una cláusula, no con un estudio de mercado.
Otro equipo, que evaluaba un negocio que factura en dólares y paga en pesos, lo condensó en una línea para su junta.
"La recomendación no depende de que el dólar suba. Depende de tres firmas y veinte reservas."
Ese es el paso que la simulación hace posible. La decisión deja de ser "invertir o no invertir" y pasa a ser "qué hay que comprobar, cuánto cuesta comprobarlo y con qué umbral decidimos". Es la lógica que Rita McGrath e Ian MacMillan llamaron discovery-driven planning (Harvard Business Review, 1995). En un proyecto nuevo, los supuestos se convierten en hipótesis que hay que probar antes de comprometer el capital.
Lo que hizo la IA, y lo que no
El curso se diseñó para usar IA generativa en todas las etapas. La IA hizo en horas lo que antes tomaba semanas. Construyó modelos financieros, corrió simulaciones y redactó informes. También hizo otras cosas.
- Inventó un alza de precios sin fuente. Con ese supuesto, la probabilidad de pérdida de un proyecto bajaba de 27,6 % a 16,9 %.
- Omitió la depreciación de un equipo, y el resultado seguía "cuadrando".
- Atribuyó un rango de precios a una empresa reconocida cuando en realidad venía del blog de una firma de desarrollo de software.
- Calibró el ahorro de un proyecto con precios de hardware, lo que produjo un 0 % de probabilidad de pérdida con fórmulas, fuentes y formato impecables.
Ninguno de esos errores lo detectó la IA. Los detectaron personas que se hicieron una pregunta simple: ¿de dónde sale este número?
Los estudiantes que mejor controlaron la herramienta aplicaron reglas sencillas. Uno fijó una antes de empezar: toda cifra nueva debe reproducir la anterior cuando se le quita lo nuevo. Otro replicó el modelo en un segundo lenguaje y comparó los flujos año por año. Varios aprendieron a desconfiar de un 0 % de probabilidad de pérdida.
El mismo estudiante abogado lo explicó con una analogía de su oficio. En derecho uno no acepta una prueba porque suene razonable, sino que la contrasta con el expediente. Con la IA hay que hacer lo mismo, "porque la IA escribe con mucha más seguridad que cualquier testigo".
Usar IA generativa con reglas de verificación
La capacitación parte de los retos reales de cada equipo y termina en un artefacto que la organización usa, con criterios para verificar lo que la IA produce.
- Diagnóstico de retos y casos de uso reales
- Construcción de un artefacto propio con IA generativa
- Demo day con criterios de adopción
CAPACITACIÓN CORPORATIVAPRIME-10™: del número único a la decisión
Esa disciplina es el centro de PRIME-10™, el marco de evaluación que desarrollé en mi investigación doctoral y sobre el que se construyó el curso. Tiene cinco fases.
- Planteamiento del problema. Qué se decide, quién decide y qué supuestos sostienen el caso.
- Validación de madurez. Qué evidencia respalda cada variable, medida por niveles de madurez tecnológica, comercial y de mercado.
- Modelación de la inversión. Del VPN único a la distribución de resultados, con las variables críticas identificadas y calibradas según su nivel de evidencia.
- Experimentación de mercado. Opciones de decisión y un experimento con un umbral fijado antes de ver los datos.
- Aprendizaje ex post. El resultado del experimento recalibra el modelo y la decisión.
Tres reglas atraviesan todo el marco. Cada cifra tiene una fuente trazable. Cada variable entra a la simulación según su nivel de evidencia. Y ninguna inversión grande se aprueba sin un experimento que la valide primero.
Los estudiantes también aportaron al marco. Propusieron ponderar cada fuente de incertidumbre por su contribución a la varianza, revisar monedas y correlaciones antes de simular, usar los datos operativos propios en los proyectos corporativos y adaptar la evaluación a los proyectos de impacto social. Varias de esas propuestas harán parte de la siguiente versión.
La decisión sigue siendo humana
La IA acelera el análisis. Hoy cualquier equipo puede construir en una tarde un modelo financiero que antes tomaba semanas. Eso no hace mejores las decisiones. Solo las hace más rápidas, y un error rápido sigue siendo un error.
Lo que hace buena una decisión de inversión es la disciplina de dudar en el momento correcto: saber en qué parte de la distribución está el número que se presenta, qué variable lo sostiene y qué experimento puede validarla antes de comprometer el capital.
Si su organización aprueba proyectos de innovación con un solo VPN, o si su equipo ya los evalúa con IA, vale la pena preguntarse quién responde por esos números ante la junta.
Si quiere llevar esa disciplina a su comité de inversión, escríbame y conversemos. www.augustoruiz.org
Referencias
- McGrath, R. G. y MacMillan, I. C. (1995). Discovery-driven planning. Harvard Business Review, 73(4), 44-54.
- Savage, S. L. (2009). The Flaw of Averages: Why We Underestimate Risk in the Face of Uncertainty. John Wiley & Sons.
Sobre el autor
Augusto Ruiz Cataño es consultor en evaluación de proyectos de innovación, fundador de Uno+Uno SAS y candidato doctoral en Gestión de la Innovación Tecnológica en la Universidad de los Andes. PRIME-10™ es una metodología registrada ante la Dirección Nacional de Derecho de Autor de Colombia (2025).
¿Quiere llevar esta disciplina a su comité de inversión?
Evaluamos una decisión concreta de su organización con simulación, experimentación y verificación de cada cifra.