Durante años se instaló la idea de que la ventaja competitiva residía en capturar más datos, procesarlos mejor y convertirlos en decisiones más precisas. Esa lógica sigue siendo válida, pero tiene un límite. Y ese límite no es técnico, sino estructural. Se vuelve evidente cuando el entorno cambia más rápido que los modelos que intentan explicarlo.
El problema de la saturación de información
Un estudio de Oracle en 2023 reveló que el 85% de los líderes experimenta presión o fatiga al momento de decidir, en gran parte por la cantidad de información disponible y la necesidad de procesarla en menos tiempo. No es un problema de acceso, sino de saturación. Los datos, en lugar de ser aliados, se convierten en acumuladores que dificultan la acción. La analítica deja paso a una carga ejecutiva que puede paralizar.
Investigaciones del National Bureau of Economic Research muestran que una parte relevante de las decisiones empresariales ocurre en contextos donde no es posible asignar probabilidades claras a los resultados. No es riesgo en el sentido clásico. Es incertidumbre. Y la diferencia importa: el riesgo se puede modelar, la incertidumbre no. Frente al riesgo, más datos ayudan. Frente a la incertidumbre, más datos pueden simplemente profundizar la parálisis.
Cuando los modelos fallan: el caso Zillow
El caso de Zillow es una referencia obligada. La empresa apostó por escalar un modelo de compra y venta de viviendas basado en analítica avanzada. La lógica de usar datos históricos y modelos predictivos para tomar decisiones más rápidas que el mercado funcionó mientras el entorno se mantuvo dentro de ciertos parámetros. Cuando las condiciones cambiaron, el modelo no logró ajustarse con la misma velocidad. Como consecuencia, se acumuló inventario mal valuado y la empresa tuvo que salir de esa línea de negocio.
Lo relevante no es el error en sí, sino lo que revela: el modelo siguió operando con convicción dentro de un contexto que ya había dejado de existir. Nadie apagó el sistema porque los datos seguían fluyendo. El problema es que ya no decían lo que todos creían que decían. No se trató de un error puntual, sino de una señal más amplia: los modelos también tienen ciclos de vida.
La incertidumbre no se elimina con más datos
En 2020, muchas organizaciones enfrentaron este límite de forma simultánea. Sistemas diseñados para anticipar demanda, optimizar inventarios o definir precios dejaron de ser confiables en cuestión de semanas, pero los datos seguían ahí, y los modelos también. Lo que cambió fue el contexto. El World Economic Forum documentó cómo las disrupciones globales expusieron la fragilidad de sistemas optimizados para eficiencia, aunque no para volatilidad. No era un problema de implementación, sino de diseño: estaban construidos bajo el supuesto de continuidad. Cuando ese supuesto se rompió, la precisión dejó de ser una garantía.
La reacción más común ante estos escenarios es pedir más información. Sin embargo, quizás la respuesta está en saber depurarla e interpretarla. La incertidumbre no se elimina con más datos. El criterio es reconocer ese momento. No para ignorar la evidencia, sino para no ser rehén de ella.
La ventaja competitiva del criterio
Durante años, las organizaciones invirtieron en reducir la brecha entre datos y decisiones: mejores algoritmos, mayor capacidad de procesamiento, dashboards más sofisticados. Y valió la pena. Pero el efecto secundario de esa inversión fue sutil y costoso: se fue instalando la idea de que decidir sin certeza era un síntoma de preparación insuficiente, no una condición natural del liderazgo. La certeza se volvió un requisito previo para actuar, cuando en realidad siempre fue, en el mejor de los casos, una ilusión bien construida.
Las organizaciones que entienden esto no buscan eliminar la incertidumbre. Aprenden a moverse dentro de ella sin perder dirección. No porque tengan más información que las demás, sino porque han desarrollado la capacidad de distinguir cuándo los datos siguen siendo el camino y cuándo ya son el obstáculo. Esa distinción no aparece en ningún modelo. Y es, quizás, la única ventaja competitiva que ninguno va a poder replicar.
El verdadero límite no está en los datos ni en los modelos. Está en la disposición de actuar cuando ninguno de los dos puede garantizar el resultado.
