Torras.ai

Bienvenidos al podcast Torras AI. En este episodio, hablo con Ignasi Alcalde, consultor, profesor universitario y autor especializado en visualización de datos, narrativa de datos, alfabetización en datos e IA generativa. Exploramos una pregunta engañosamente sencilla: si las organizaciones tienen más datos, más paneles de control y más inteligencia artificial que nunca, ¿por qué tantas decisiones siguen siendo difíciles o no mejoran en absoluto?

La conversación es en catalán. A continuación aparece un resumen de la conversación. El mensaje central de Ignasi es claro: los datos solo tienen valor cuando ayudan a alguien a comprender una situación, ejercer su criterio y tomar una mejor decisión.

Ver la conversación

Aspectos destacados de la conversación

1. Más datos no producen automáticamente mejores decisiones

El trabajo de Ignasi comenzó con la visualización de información: cómo transformar datos en gráficos y diagramas que las personas puedan entender. Sin embargo, con el tiempo vio que un buen gráfico no era suficiente. Una visualización atractiva puede seguir fallando si nadie sabe qué significa, por qué importa o qué hacer a continuación. Eso lo llevó de la visualización a la narrativa de datos, y de la narrativa al problema más amplio de la toma de decisiones.

Muchas organizaciones ya cuentan con plataformas de analítica sofisticadas, paneles de Power BI y sistemas de IA cada vez más potentes. Sin embargo, cuando Ignasi entra en una empresa, su primera pregunta no trata sobre su tecnología. Pregunta: “¿Qué decisión quieren tomar con estos datos?” Si la respuesta no está clara, el verdadero problema normalmente no es la falta de herramientas. Es la falta de buenas preguntas, propósito compartido y cultura de decisión.

2. Empieza por la decisión, no por el panel de control

La secuencia más útil es la inversa de lo que hacen muchos equipos. No empieces con todos los datos disponibles y esperes que finalmente surja una decisión. Empieza por la decisión, formula la pregunta, identifica la evidencia necesaria, realiza el análisis y luego comunica el resultado. De forma resumida: decisión → pregunta → evidencia → análisis → comunicación.

Este orden genera enfoque. También revela qué información importa, qué supuestos se están haciendo y qué evidencia podría hacer cambiar de opinión a alguien. Una conclusión relevante no es simplemente un patrón interesante en un conjunto de datos; es un hallazgo capaz de cambiar una decisión estratégica.

3. El fracaso silencioso de los paneles de control

Los paneles de control rara vez anuncian que han fracasado. Siguen actualizándose, acumulando indicadores y apareciendo en reuniones. Ignasi propone una pregunta de diagnóstico incisiva: “Si elimináramos este panel de control mañana, ¿qué decisión empeoraría?” Si nadie puede nombrar una, el panel puede estar informando sobre actividad sin crear valor.

Un panel de control no debería intentar demostrar todo lo que sabe una organización. Su propósito es facilitar una decisión. Una estructura útil comienza con un pequeño conjunto de indicadores esenciales, ofrece una capa de diagnóstico para comprender por qué está ocurriendo algo y termina con una capa de acción o resultado. Cuando todas las métricas posibles se colocan en la misma pantalla, la atención se diluye y la señal importante desaparece.

4. Los directivos necesitan respuestas, no ruido adicional

A nivel ejecutivo, las preguntas esenciales son notablemente estables: ¿Qué está ocurriendo? ¿Por qué está ocurriendo? ¿Qué podemos hacer al respecto? Una mejor analítica debería ayudar a responder esas preguntas, no simplemente crear más informes. Esto exige una combinación de rigor analítico y claridad narrativa: la evidencia debe ser precisa, pero también debe presentarse de una forma que haga comprensibles sus implicaciones.

El reto cultural aparece cuando la evidencia contradice la intuición. En lugar de revisar una opinión, las personas pueden buscar otra métrica que confirme lo que ya creen. Por tanto, la alfabetización en datos implica más que saber leer un gráfico. También requiere la disciplina de cuestionar los supuestos y aceptar resultados incómodos.

5. La IA transforma al analista de productor en orquestador

La IA generativa ahora puede limpiar datos, proponer análisis, crear primeros borradores de visualizaciones y sugerir posibles narrativas en cuestión de minutos. Eso no elimina la necesidad de profesionales; cambia dónde resulta más valiosa su atención. El papel del analista se aleja de producir cada artefacto intermedio y se orienta a orquestar el proceso: plantear el problema, comprobar las fuentes, validar los cálculos, comparar hipótesis, interpretar los resultados y decidir qué merece ser comunicado.

Ignasi denomina al paso final analítica de última milla: convertir un resultado técnicamente correcto en una narrativa clara que realmente pueda impulsar una decisión. La IA puede acelerar las etapas anteriores, pero la responsabilidad del juicio final sigue siendo humana.

6. La IA es más útil como un exigente compañero de pensamiento

Mientras escribía Data Storytelling with Artificial Intelligence: From Data to Decisions, Ignasi utilizó abiertamente la IA para aproximadamente entre el 10 y el 20 % del trabajo. Le ayudó a explorar ideas, probar la estructura del libro, plantear contraargumentos y simplificar explicaciones. No delegó la tesis, el juicio personal ni el punto de vista.

Esa distinción importa. La IA puede ser un copiloto o compañero de sparring que introduce una fricción productiva: cuestiona este argumento, muéstrame una debilidad u ofrece una alternativa plausible. El peligro comienza cuando la usamos para evitar pensar por completo. Como dice Ignasi, hay una profunda diferencia entre usar la IA después de pensar y usar la IA en lugar de pensar.

7. La alfabetización en datos no exige convertirse en científico de datos

Los directivos no necesitan convertirse en programadores o estadísticos, pero sí necesitan hacer mejores preguntas. ¿De dónde proceden los datos? ¿Quién está incluido o excluido de la muestra? ¿Estamos confundiendo correlación con causalidad? ¿Un eje truncado exagera una diferencia? ¿Qué supuestos determinan el resultado? ¿Qué partes fueron generadas o inferidas por IA?

Ignasi describe esto como llevar tres sombreros complementarios: la preocupación del analista por la evidencia, la preocupación del diseñador por la claridad y el instinto del periodista de investigar el contexto y preguntar qué puede faltar. Juntos, estos hábitos nos hacen menos vulnerables a presentaciones seguras de sí mismas pero engañosas.

8. La narrativa ética trata de la equidad, no de la ilusión de neutralidad

Todo acto de comunicación implica selección. Elegimos un gráfico, un período de tiempo, una comparación y un orden para presentar los hechos. Por tanto, es difícil afirmar una neutralidad completa. El límite ético está entre ayudar a una audiencia a comprender la realidad y orientarla hacia una conclusión que la evidencia no respalda de forma justa.

Ignasi propone una prueba práctica: Si la audiencia conociera toda la información relevante, ¿seguiría considerando justa esta presentación? Es una pregunta poderosa para cualquiera que comunique con datos, ya sea que el trabajo haya sido producido por una persona, un sistema de IA o ambos.

9. El profesional aumentado protege el criterio y el pensamiento crítico

Los profesionales más valiosos no simplemente producirán más rápido. Harán mejores preguntas, comprenderán el contexto, conectarán ideas que parecen no estar relacionadas y ejercerán su criterio cuando la evidencia disponible sea incompleta. Estas capacidades se vuelven más importantes, no menos, a medida que la IA facilita la producción básica.

El pensamiento crítico también es la capacidad que corre mayor riesgo de atrofiarse. Si una IA siempre proporciona la primera interpretación, la primera estructura y la primera respuesta, resulta fácil dejar de formar nuestra propia opinión. El profesional aumentado utiliza la máquina para ampliar el pensamiento, al tiempo que sigue siendo responsable del resultado.

10. Un hábito que toda empresa puede adoptar mañana

El primer paso que recomienda Ignasi no requiere software nuevo: empezar las reuniones y los proyectos preguntando: “¿Qué decisión estamos tratando de tomar?” La pregunta aclara qué información es relevante, expone supuestos ocultos, identifica qué podría cambiar la opinión del grupo y conecta el análisis con una acción concreta. También hace visible la responsabilidad: alguien debe asumir en última instancia la decisión.

La tecnología importa, pero el camino de los datos a las decisiones comienza con un propósito. Un panel de control, una historia o un modelo de IA solo es útil cuando ayuda a las personas a ver con mayor claridad y actuar con más sabiduría.

Sigue explorando el trabajo de Ignasi

Puedes obtener más información en el sitio web de Ignasi Alcalde, leer su perfil profesional o conectar con él en LinkedIn. Su libro cuenta con sitios web dedicados en español e inglés, y también está disponible en Amazon en español e inglés. Los lectores también pueden explorar el asistente conversacional complementario del libro, que amplía el material más allá de la página impresa.