La curaduría consultiva simbiótica

1. Introducción: La paradoja del conocimiento en la consultoría estratégica

La industria de la consultoría estratégica y tecnológica se asienta sobre una premisa fundamental: la capacidad de ofrecer a los clientes un conocimiento especializado, sintetizado y contextualmente relevante que no poseen internamente. Durante décadas, el principal activo de una firma de consultoría no han sido sus oficinas, sus infraestructuras tecnológicas o incluso sus metodologías propietarias, sino el acervo acumulado de experiencia —lo que la disciplina de la gestión del conocimiento denomina “capital intelectual” (Alavi y Leidner, 2001)—, compuesto por la pericia de sus profesionales, las lecciones extraídas de miles de proyectos, los marcos analíticos desarrollados internamente y la comprensión profunda de las dinámicas sectoriales de sus clientes. La capacidad de una firma para movilizar este conocimiento, reutilizarlo, adaptarlo y proyectarlo sobre nuevos problemas ha constituido tradicionalmente la fuente última de su ventaja competitiva y la justificación de sus honorarios (Grant, 1996).

Sin embargo, este modelo se enfrenta en la actualidad a una crisis estructural derivada de lo que podemos denominar la “paradoja de la abundancia documental corporativa”. La digitalización integral de los procesos de consultoría ha generado una explosión en el volumen de documentación interna que crece a un ritmo muy superior a la capacidad humana de procesamiento, interpretación y reutilización selectiva. Según estudios recientes del sector, los consultores dedican aproximadamente una quinta parte de su tiempo de trabajo —el equivalente a un día completo por semana laboral— únicamente a buscar, validar y reinterpretar información ya existente en los repositorios de su propia organización (McKinsey Global Institute, 2012). Esta cifra, que puede parecer una ineficiencia operativa, es en realidad el síntoma de una patología más profunda: las firmas de consultoría han invertido masivamente en sistemas para almacenar y documentar lo que saben, creando manuales metodológicos, repositorios de proyectos, wikis corporativas, bases de datos de expertos e intranets, pero no han resuelto el problema fundamental de la accesibilidad efectiva en contexto. El principal desafío que enfrentan las organizaciones hoy no es la captura de información, sino su recuperación pertinente y su aplicación en el momento exacto en que se necesita para una decisión consultiva, asegurando la calidad y veracidad de la información.

La consecuencia de esta brecha entre almacenamiento y acceso es lo que podemos llamar la “amnesia institucional recurrente”. Los equipos de proyecto abordan cada nuevo compromiso con un cliente reiniciando sustancialmente la curva de aprendizaje: se redactan análisis de situación que reproducen diagnósticos ya formulados en proyectos anteriores para clientes del mismo sector; se diseñan soluciones desde cero que podrían haberse beneficiado de frameworks ya validados en contextos análogos; se repiten errores que ya fueron cometidos y documentados en “lecciones aprendidas” que nadie consulta porque, sencillamente, nadie sabe que existen o cómo encontrarlas. Las decisiones varían según quién responda, lo que genera resultados inconsistentes para los clientes y erosiona la calidad percibida del servicio. El conocimiento, que en teoría debería fluir como un activo vivo por toda la organización, yace fragmentado y estático en silos documentales que rara vez se comunican entre sí.

Ante esta crisis, la industria de la consultoría ha comenzado a buscar respuestas en dos direcciones que, hasta ahora, han tendido a presentarse como alternativas excluyentes. Por un lado, la curaduría humana —encarnada en la figura del consultor senior, del líder de práctica o del knowledge manager— representa la tradición artesanal de la profesión: el juicio experto que, basado en años de experiencia acumulada y en un conocimiento tácito difícilmente codificable (Polanyi, 1966), sabe discriminar qué pieza de conocimiento es relevante, fiable y aplicable a la situación específica del cliente. Por otro lado, la curaduría algorítmica —impulsada por los avances en inteligencia artificial, particularmente los Grandes Modelos de Lenguaje (LLMs) y las arquitecturas de Generación Aumentada por Recuperación (RAG)— promete automatizar y escalar este proceso de selección hasta niveles sobrehumanos, procesando cientos de miles de documentos internos en segundos y ofreciendo al consultor, en el momento preciso, exactamente la información que necesita.

El presente artículo se propone desarrollar un marco comparativo integral entre estos dos paradigmas curatoriales aplicados al contexto específico de la consultoría estratégica. A diferencia de la literatura existente sobre curación de contenidos, que ha tendido a centrarse en el ámbito de las bibliotecas digitales, el periodismo o el marketing de contenidos, este análisis se enfoca en las particularidades de un entorno empresarial donde la información que se maneja es confidencial, el coste del error fáctico puede ascender a millones de euros en decisiones de cliente mal fundadas, y la noción de “relevancia” no depende de criterios biblioteconómicos universales, sino de la situación estratégica única de cada proyecto. La hipótesis central que articula este trabajo es que la solución a la paradoja del conocimiento consultivo no reside en la sustitución del juicio humano por el algoritmo, ni en la resistencia artesanal frente a la automatización, sino en el diseño meticuloso de arquitecturas sociotécnicas híbridas —modelos de inteligencia aumentada— donde la máquina libera al consultor de la carga cognitiva del filtrado masivo para que este pueda concentrarse en las tareas de mayor valor: la interpretación contextual, la síntesis creativa y el juicio ético ante el cliente.

Para fundamentar esta tesis, abordaremos siete secciones. La primera —esta introducción— en la que hemos observado el problema y la relevancia del tema. En la segunda sección analizamos la ontología técnica de la curaduría algorítmica empresarial, desmontando la caja negra de los LLMs y las arquitecturas RAG para revelar qué significa exactamente que una máquina “seleccione” documentación corporativa. En la sección tercera estudiaremos la fenomenología del juicio curatorial humano en consultoría, atendiendo a las dimensiones tácitas, contextuales y éticas que distinguen la pericia del consultor senior del mero procesamiento de información. La cuarta sección presenta un marco comparativo sistemático en forma de tabla analítica, contrastando ambas modalidades en dimensiones críticas para el entorno consultivo. En el apartado quinto se aborda el problema de la desinformación algorítmica en el contexto corporativo, con especial atención al riesgo de las alucinaciones factuales en los entregables proporcionados al cliente. La sexta sección propone un modelo de síntesis simbiótica, detallando posibles soluciones técnicas y flujos de trabajo concretos para la implementación de sistemas de curaduría híbrida. Finalmente, la conclusión proyecta las implicaciones estratégicas de este nuevo paradigma para el futuro de la industria de la consultoría.

2. Ontología de la curaduría algorítmica empresarial: Arquitectura y fundamentos de la selección documental automatizada

Para comprender cabalmente lo que significa delegar la selección de documentación corporativa en un sistema de inteligencia artificial, es imperativo despojar al término de su halo mistificador y examinar los fundamentos técnicos que subyacen a los procesos de curaduría algorítmica en el contexto específico de una firma de consultoría. La generación actual de sistemas de IA utilizados en tareas de filtrado, recomendación y selección de contenido empresarial se basa en la arquitectura de los Transformers (Vaswani et al., 2017) y en su evolución hacia los Grandes Modelos de Lenguaje (LLMs), complementados con arquitecturas de Generación Aumentada por Recuperación (RAG) que resultan particularmente críticas cuando el corpus documental es propietario y confidencial (Lewis et al., 2020).

El primer pilar de este proceso es la transformación de los documentos textuales en un espacio semántico vectorial de alta dimensionalidad. Los LLMs no operan directamente con palabras, sino con “tokens” —unidades sub-léxicas o palabras completas— que son mapeados a vectores numéricos densos, conocidos como embeddings. Estos vectores no son asignados arbitrariamente, sino aprendidos durante el pre-entrenamiento masivo del modelo sobre corpus que abarcan una porción significativa del texto disponible en internet. Al hacerlo, el espacio vectorial se organiza de tal manera que conceptos semánticamente similares se sitúan en regiones próximas. Esta es la base de la “comprensión” algorítmica: una analogía geométrica. Cuando un sistema de curaduría algorítmica evalúa la relevancia de un informe de proyecto sobre “transformación digital en el sector asegurador” para un consultor que está preparando una propuesta para una compañía de seguros, el sistema no analiza la lógica del argumento ni la calidad de las recomendaciones allí contenidas, sino que calcula métricas de distancia —como la similitud coseno— entre el vector que representa el documento candidato y el vector que representa la necesidad informativa del consultor, expresada en forma de consulta (query) o deducida del contexto del proyecto en curso.

Sin embargo, la mera similitud semántica, medida por embeddings estáticos, resultaría insuficiente para una curaduría consultiva matizada, ya que tendería a generar recomendaciones tautológicas, reforzando los mismos marcos conceptuales que el consultor ya posee. Aquí interviene el segundo pilar: el mecanismo de atención contextual. A diferencia de modelos anteriores que procesaban el texto secuencialmente, el mecanismo de autoatención permite que cada token en un documento “atienda” a todos los demás tokens de la secuencia, ponderando dinámicamente su relevancia contextual (Vaswani et al., 2017). En un contexto de consultoría, esto implica que la IA puede, por ejemplo, discernir que el término “reestructuración” en un informe financiero tiene implicaciones radicalmente distintas a las que tiene en un documento de recursos humanos sobre reorganización de plantillas, y ajustar sus representaciones vectoriales en consecuencia. Esta atención multi-cabeza permite al modelo capturar relaciones sintácticas, semánticas y pragmáticas complejas, incluyendo la estructura argumental de un deliverable y la coherencia interna de un marco analítico, aunque siempre como un subproducto estadístico de sus datos de entrenamiento, no como una aprehensión consciente de su validez metodológica.

Para las tareas de curaduría documental en consultoría, el uso directo de un LLM genérico es no solo problemático, sino potencialmente peligroso. La razón principal es doble. En primer lugar, los LLMs genéricos, entrenados con datos públicos de internet, desconocen por completo el corpus documental propietario de la firma: sus marcos metodológicos internos, sus estudios sectoriales confidenciales, sus lecciones aprendidas de proyectos anteriores, y toda la documentación que constituye precisamente el núcleo del capital intelectual que se pretende curar. En segundo lugar, y de manera más crítica, estos modelos presentan una tendencia documentada a generar información plausible pero factualmente incorrecta —las denominadas “alucinaciones” (Ji et al., 2023)—, lo cual, en un entorno donde un dato erróneo puede fundamentar una recomendación estratégica a un cliente con consecuencias financieras millonarias, representa un riesgo inaceptable. Según Gartner (2024), las alucinaciones de la IA comprometen tanto la toma de decisiones como la reputación de la marca.

La solución técnica que ha emergido como estándar de facto para la curaduría algorítmica empresarial es la Generación Aumentada por Recuperación (RAG), véase (Lewis et al., 2020). En una arquitectura RAG, el LLM no opera —o no opera exclusivamente— sobre su memoria paramétrica interna, sino que se acopla a una base de conocimiento externa, verificada y actualizada, que en el contexto de una consultora será su repositorio documental corporativo: el sistema de gestión documental (DMS), las plataformas de colaboración como SharePoint, los archivos de proyectos, las wikis internas y las bases de datos de expertos. El flujo de trabajo es el siguiente: ante una necesidad curatorial —por ejemplo, “recuperar los análisis de madurez digital realizados para clientes del sector banca en los últimos tres años que incluyan recomendaciones sobre migración a cloud”—, un sistema de recuperación semántica, basado en los embeddings mencionados, extrae un conjunto amplio de documentos candidatos del repositorio corporativo. Estos documentos no se presentan directamente al consultor, sino que se inyectan en el contexto del LLM a través de su ventana de prompt. El modelo, entonces, actúa como un agente razonador y sintetizador sobre ese corpus acotado y verificado: procesa los informes, extrae las recomendaciones relevantes, compara enfoques entre proyectos, identifica patrones comunes y divergencias, y genera una síntesis estructurada y fundamentada. La información generada está anclada en fuentes documentales reales y trazables, lo que minimiza el riesgo de alucinación y permite al consultor verificar la procedencia de cada afirmación.

La adopción de arquitecturas RAG en el ámbito de la consultoría introduce, sin embargo, complejidades técnicas y estratégicas específicas que es necesario detallar. La primera de ellas es la preparación y curación previa del corpus documental. Los documentos corporativos rara vez están en un estado óptimo para su procesamiento automatizado: informes de proyecto con formatos inconsistentes, presentaciones de PowerPoint donde la información relevante está dispersa en notas del orador, hilos de correo electrónico con discusiones técnicas entremezcladas con cortesías profesionales, y archivos heredados de sistemas anteriores sin metadatos estandarizados. Antes de que un sistema RAG pueda ofrecer resultados fiables, es necesario un trabajo sustancial de preparación documental: parsing de múltiples formatos, segmentación en chunks semánticamente coherentes, generación de metadatos enriquecidos, y verificación de que la información es precisa y está actualizada. El éxito no reside en la “magia tecnológica”, sino en meses de trabajo previo curando contenido manualmente, añadiendo metadatos que no existían en los documentos originales y verificando la precisión y actualidad de cada fuente.

La segunda complejidad es la gestión de la confidencialidad y los permisos de acceso. A diferencia de una biblioteca digital universitaria, donde el acceso abierto es un valor, una firma de consultoría maneja información cubierta por estrictos acuerdos de confidencialidad con clientes. Un sistema de curaduría algorítmica debe integrar, en su propia arquitectura de recuperación, una capa de control de acceso que garantice que un consultor que trabaja para un cliente del sector retail no pueda acceder, ni siquiera inadvertidamente, a información confidencial de un cliente competidor, aunque semánticamente sea relevante para su consulta. Esto requiere la integración del sistema RAG con los sistemas de gestión de identidades y permisos de la organización, y la implementación de filtros de seguridad a nivel de documento que operen antes de la fase de recuperación semántica.

La tercera complejidad, y quizás la más sutil desde el punto de vista cognitivo, es el problema del sesgo de representación en los propios embeddings corporativos. Si el repositorio documental de la firma contiene una sobrerrepresentación de proyectos exitosos —porque los fracasos rara vez se documentan con el mismo nivel de detalle—, el espacio vectorial resultante hará que las estrategias que funcionaron en el pasado parezcan inherentemente más “centrales” o “relevantes”, marginando enfoques alternativos o lecciones aprendidas de proyectos fallidos que podrían ser igualmente valiosas para evitar errores. De manera análoga, si la firma ha tenido históricamente más proyectos en determinados sectores o geografías, el sistema tenderá a reforzar esa especialización, dificultando la identificación de oportunidades de diversificación o la adaptación de marcos de un sector a otro.

3. Fenomenología de la curaduría humana en consultoría: El juicio experto como acto de síntesis contextual

Frente a la lógica estadística de la inferencia algorítmica, la curaduría humana en el contexto de la consultoría estratégica se presenta como un acto de mediación cognitiva profundamente estratificado, que moviliza dimensiones del saber que escapan a cualquier intento de formalización computacional. El consultor senior que selecciona qué marcos analíticos, qué datos de proyecto y qué lecciones aprendidas son pertinentes para una nueva situación de cliente no está ejecutando un protocolo de búsqueda documental; está realizando un acto de juicio hermenéutico en el que convergen experiencia acumulada, sensibilidad contextual, comprensión tácita de la cultura del cliente y un sentido de la responsabilidad profesional que es irreductible a un cálculo de similitud vectorial.

El núcleo de la pericia curatorial del consultor reside en lo que la literatura sobre gestión del conocimiento ha denominado “conocimiento tácito”: ese saber hacer incorporado que se adquiere no a través de la lectura de manuales, sino mediante años de inmersión en la práctica profesional, de exposición a una diversidad de situaciones de cliente, de participación en discusiones de equipo donde se debaten enfoques alternativos, y de interiorización de los valores y estándares de excelencia de la firma (Nonaka y Takeuchi, 1995). Cuando un consultor senior evalúa si un determinado framework de transformación digital, desarrollado originalmente para un cliente del sector telecomunicaciones, es aplicable a un nuevo cliente del sector energía, no está realizando un mero cálculo de similitud sectorial; está movilizando una comprensión profunda de las diferencias estructurales entre ambas industrias —marcos regulatorios, dinámicas competitivas, legados tecnológicos, culturas organizacionales— que le permite identificar qué elementos del framework son genéricos y transferibles, y cuáles requieren una adaptación sustancial. Esta capacidad de “traducción analógica” entre dominios es una de las manifestaciones más valiosas del conocimiento tácito consultivo y, al mismo tiempo, una de las más difíciles de replicar algorítmicamente.

Un segundo estrato de la curaduría humana en consultoría es la evaluación contextual de la calidad y la aplicabilidad de la documentación interna. El consultor senior sabe —porque ha participado en ellos o ha conocido de cerca sus resultados— que no todos los proyectos documentados en el repositorio corporativo tienen el mismo valor como referencia. Sabe distinguir entre un entregable que fue bien recibido por el cliente y generó un impacto transformador, y otro que, aunque formalmente impecable, fue elaborado bajo restricciones de tiempo o de alcance que comprometieron su profundidad analítica. Sabe que ciertos marcos metodológicos, aunque figuren como “oficiales” en la documentación corporativa, han quedado obsoletos por cambios en el entorno regulatorio o tecnológico, y que existen prácticas emergentes, aún no formalizadas, que representan el estado del arte real de la práctica. Esta capacidad de ponderar la autoridad cognitiva de las fuentes internas —de discriminar entre el conocimiento “canonizado” y el conocimiento “vivo”— es una función crítica que ningún sistema algorítmico, limitado a métricas de antigüedad, frecuencia de acceso o centralidad vectorial, puede ejercer de manera fiable.

La dimensión ética y de responsabilidad profesional constituye un tercer pilar de la curaduría consultiva humana que merece un análisis detenido. Cuando un consultor selecciona y presenta a un cliente un conjunto de benchmarks, casos de estudio o datos sectoriales para fundamentar una recomendación estratégica, está asumiendo una responsabilidad que trasciende la mera corrección fáctica. Está garantizando, implícitamente, que la información es no solo precisa, sino pertinente, proporcionada y contextualmente adecuada para la situación específica del cliente. Esta responsabilidad incluye la obligación de verificar que los datos no están sesgados por una selección interesada que favorezca una determinada conclusión; que los casos de estudio presentados como análogos son genuinamente comparables en las dimensiones relevantes; y que las limitaciones y caveats de los análisis previos son transparentemente comunicados. El consultor es un agente moral imputable, sujeto a códigos de conducta profesional, y su juicio curatorial está —o debería estar— guiado por un principio de integridad intelectual que la máquina, carente de intencionalidad y de capacidad de rendir cuentas, no puede encarnar.

Un cuarto componente diferencial de la curaduría humana es lo que podríamos denominar la “empatía estratégica” con la situación del cliente. El consultor no selecciona información en el vacío, sino en el marco de una relación profesional donde ha desarrollado una comprensión matizada de las necesidades, las restricciones, la cultura organizacional y el apetito de riesgo del cliente. Sabe que ciertos tipos de recomendaciones, aunque técnicamente óptimas, serán inviables en el contexto político interno de la organización cliente. Sabe que ciertos datos comparativos, aunque relevantes, pueden ser percibidos como una amenaza por determinados actores principales interesados (stakeholders) y deben ser presentados con una sensibilidad diplomática que ningún algoritmo puede calibrar. Esta sintonía fina con el contexto humano de la intervención consultiva informa el acto curatorial de una manera que es fundamentalmente ajena a la lógica de optimización estadística.

Finalmente, la curaduría humana en consultoría se caracteriza por su capacidad para la síntesis creativa y la conexión interdisciplinar inesperada. El consultor que, revisando documentación de proyectos pasados para un cliente del sector financiero, encuentra una analogía iluminadora en un proyecto realizado años atrás para un cliente del sector farmacéutico, está ejerciendo un tipo de razonamiento abductivo —la inferencia de la mejor explicación posible a partir de patrones parciales (Peirce, 1931-1958)— que constituye quizás la contribución más valiosa del talento consultivo senior. Esta capacidad de “conectar los puntos” entre dominios aparentemente dispares, de ver patrones donde otros solo ven ruido, es la que permite a las firmas de consultoría ofrecer a sus clientes no solo información, sino hallazgos reveladores —esa comprensión novedosa y accionable que justifica los honorarios de la profesión—. Es, también, la dimensión de la curaduría que resulta más resistente a la automatización, porque no se basa en la recuperación de similitudes conocidas, sino en la generación de conexiones inéditas que ningún espacio vectorial, entrenado sobre datos del pasado, puede anticipar.

4. Marco comparativo sistemático: Una tabla de contrastes en el contexto consultivo

El análisis detallado de los fundamentos técnicos de la curaduría algorítmica y de la fenomenología del juicio curatorial humano nos permite ahora construir un contraste sistemático articulado en torno a las dimensiones que resultan críticas en el contexto específico de la consultoría estratégica. La siguiente tabla no pretende establecer un ranking de superioridad, sino revelar la lógica interna de cada paradigma para identificar sus fortalezas complementarias y sus puntos ciegos respectivos.

Tabla 1. Comparativa entre curaduría algorítmica y humana

Este marco comparativo revela una disimetría fundamental que tiene profundas implicaciones para el diseño organizativo de las firmas de consultoría. La máquina es, por su propia naturaleza, un reflector del pasado corporativo: su eficacia es máxima en la identificación del consenso, la práctica establecida y el patrón recurrente. Es un instrumento formidable para combatir la amnesia institucional, para garantizar que el conocimiento explícito de la organización está disponible en el momento en que se necesita. Pero es estructuralmente incapaz de ejercer el tipo de juicio que define la excelencia consultiva: la capacidad de leer el contexto único de un cliente, de cuestionar los supuestos heredados, y de generar síntesis creativas que trascienden los patrones del pasado. El consultor humano, por su parte, encarna precisamente estas capacidades, pero se enfrenta a una limitación de escala que, en el entorno actual de explosión documental, amenaza con saturarlo antes de que pueda desplegar su verdadero valor añadido.

La conclusión que emerge de este contraste no es, por tanto, la superioridad de un paradigma sobre el otro, sino la necesidad imperiosa de diseñar arquitecturas organizativas y tecnológicas que los sinteticen. La tabla nos muestra que las fortalezas de cada modelo son, de manera notable, las debilidades del otro, y viceversa: donde la máquina es rápida pero ciega al contexto, el humano es lento pero perspicaz; donde el algoritmo es exhaustivo pero conservador, el consultor es selectivo pero capaz de innovación. Esta complementariedad es la base sobre la que se debe construir el modelo de curaduría consultiva simbiótica.

5. La patología de la desinformación algorítmica en el entorno corporativo: Riesgos específicos para la consultoría

Si en el ámbito de las bibliotecas digitales el problema de la desinformación algorítmica se manifiesta como un riesgo para la integridad del ecosistema académico, en el contexto de la consultoría estratégica sus consecuencias adquieren una gravedad singular, ya que la información generada o seleccionada por sistemas de IA puede fundamentar decisiones de negocio con impactos financieros, reputacionales y regulatorios de gran magnitud. Analizar esta patología en sus distintas manifestaciones es un paso previo ineludible para diseñar los mecanismos de mitigación que deben integrarse en cualquier arquitectura de curaduría híbrida.

La manifestación más evidente y documentada de la desinformación algorítmica son las llamadas “alucinaciones” de los LLMs. En el contexto corporativo, una alucinación no es simplemente un error curioso o una imprecisión menor: es la generación de información factualmente incorrecta que, sin embargo, se presenta con un alto grado de plausibilidad lingüística y coherencia argumental (Ji et al., 2023). Un sistema de IA utilizado para asistir en la elaboración de un entregable de consultoría podría, por ejemplo, inventar un dato de mercado —una tasa de crecimiento sectorial, una cifra de inversión, una estadística de adopción tecnológica— que no corresponde a ninguna fuente verificable, pero que encaja perfectamente en la narrativa del análisis. También podría generar referencias a normativas inexistentes, citar estudios académicos que nunca se publicaron, o atribuir a un ejecutivo del cliente declaraciones que nunca realizó. En un entorno donde la precisión fáctica es un componente esencial de la credibilidad profesional, una sola alucinación no detectada puede tener consecuencias devastadoras: desde la pérdida de confianza del cliente hasta potenciales responsabilidades legales si la información errónea fundamenta una decisión de inversión o una recomendación regulatoria.

El mecanismo subyacente a las alucinaciones es bien conocido: los LLMs no “saben” si algo es verdadero; generan contenido basado en patrones estadísticos aprendidos durante su entrenamiento. Cuando se enfrentan a un vacío de información en su memoria paramétrica o en el contexto proporcionado, en lugar de reconocer su ignorancia, tienden a “confabular” —a generar la secuencia de tokens más probable que complete el patrón solicitado, aunque esa secuencia no se corresponda con ningún hecho real. Las arquitecturas RAG mitigan este riesgo al anclar la generación en documentos fuente verificables, pero no lo eliminan por completo: el modelo aún puede malinterpretar el contenido de un documento, sintetizar información de fuentes contradictorias sin advertir la discrepancia, o extrapolar conclusiones que van más allá de lo que los documentos realmente respaldan.

Un segundo vector de desinformación algorítmica, más sutil pero igualmente peligroso en el contexto consultivo, es la generación de “equivalencias engañosas”. Los sistemas de recomendación basados puramente en embeddings no distinguen ontológicamente entre tipos de documentos que, aunque semánticamente similares, tienen un estatus epistémico radicalmente diferente. Un análisis de mercado riguroso, basado en datos primarios verificados, puede aparecer en el espacio vectorial como igualmente relevante que una presentación interna de carácter exploratorio, con hipótesis preliminares que nunca fueron validadas. Si el sistema de curaduría algorítmica presenta ambos documentos al consultor sin una señal clara de su diferente estatus de validación, existe el riesgo de que este último —quizás más reciente o mejor redactado— sea tomado como referencia para una recomendación al cliente, introduciendo supuestos no verificados en la cadena de decisión.

El tercer riesgo específico para la consultoría es la amplificación de sesgos estratégicos preexistentes. Una firma de consultoría que ha tenido históricamente una fuerte presencia en determinados sectores, regiones o líneas de servicio verá ese sesgo reflejado y amplificado en su corpus documental. Un sistema de curaduría algorítmica entrenado sobre ese corpus tenderá a recomendar marcos, datos y enfoques que refuerzan las líneas de negocio tradicionales, creando un “efecto de atracción” hacia el pasado que puede dificultar la innovación estratégica o la entrada en nuevos mercados. De manera más insidiosa, si el corpus documental contiene sesgos implícitos —por ejemplo, una subrepresentación de perspectivas de mercados emergentes en los análisis de internacionalización, o una sobrerrepresentación de casos de éxito sobre fracasos—, el sistema perpetuará esos puntos ciegos bajo la apariencia de objetividad algorítmica (Suresh y Guttag, 2021).

Finalmente, existe un riesgo emergente relacionado con la “contaminación cruzada” entre clientes. En firmas de consultoría que operan con estrictos acuerdos de confidencialidad, un sistema de curaduría algorítmica mal diseñado podría, en su afán por identificar la información más relevante, cruzar inadvertidamente las barreras de confidencialidad entre proyectos. Aunque los controles de acceso a nivel de documento pueden mitigar este riesgo, la propia arquitectura de embeddings —que agrupa documentos por similitud semántica— podría revelar patrones a un consultor atento: el sistema podría sugerir, por ejemplo, que existe documentación relevante sobre la estrategia de un competidor, y aunque bloquee el acceso, el mero hecho de señalizar su existencia constituye ya una filtración latente de información sobre la actividad corporativa (Carlini et al., 2021).

6. Hacia una síntesis simbiótica: Sinergias, flujos de trabajo y arquitecturas híbridas para la curaduría consultiva

La superación de la dicotomía entre la máquina eficiente pero ciega al contexto y el consultor perspicaz pero sobrepasado por el volumen no se encuentra en una competición entre ambos, sino en el diseño meticuloso de arquitecturas sociotécnicas que los integren en un modelo de inteligencia aumentada específicamente adaptado a las necesidades y restricciones del entorno consultivo (Engelbart, 1962). La premisa es que la máquina debe hacer lo que mejor sabe hacer —filtrar, correlacionar, pre-procesar y sintetizar a escala— para liberar al consultor de la abrumadora carga cognitiva de la búsqueda documental masiva, permitiéndole concentrar su insustituible juicio en las tareas de mayor valor añadido: la interpretación contextual, la validación de la excepción, la deliberación ética y la generación de claves y puntos críticos, creativos, para el cliente. Este enfoque rescata la visión clásica de la simbiosis hombre-computadora (Licklider, 1960), donde las decisiones se toman cooperativamente. El flujo de trabajo en un modelo híbrido avanzado para consultoría se articula en cuatro fases que configuran un ciclo continuo de amplificación, delegación y aprendizaje mutuo entre el consultor y el sistema algorítmico.

1. La primera fase es la de descubrimiento y filtrado bruto a escala algorítmica. Al inicio de un nuevo proyecto o de una nueva fase de análisis, el consultor define una directriz curatorial —por ejemplo, “recuperar todos los proyectos de los últimos cinco años que hayan abordado estrategias de omnicanalidad en el sector retail, con especial atención a aquellos que incluyeran un componente de transformación organizacional”—. Un sistema basado en RAG, acoplado al repositorio documental de la firma y respetando los permisos de acceso del consultor, ejecuta una recuperación semántica masiva, identificando no solo los documentos que contienen explícitamente los términos de búsqueda, sino aquellos que, por su cercanía vectorial en el espacio semántico, abordan problemáticas conceptualmente análogas aunque utilicen terminología diferente. El sistema no solo recupera documentos, sino que construye un “mapa de conocimiento” del espacio informativo relevante: identifica clústeres temáticos (por ejemplo, proyectos centrados en tecnología frente a proyectos centrados en cambio cultural), señala documentos atípicos que se desvían significativamente del consenso, y marca aquellos que han sido más frecuentemente referenciados en proyectos posteriores como señal de su influencia o utilidad.
2. La segunda fase es la de pre-curaduría y representación estructurada. Para cada documento o conjunto de documentos candidatos, el LLM genera un “dossier de síntesis curatorial” que no pretende sustituir la lectura del consultor, sino optimizar su atención. Este dossier puede incluir: una ficha de metadatos enriquecidos (sector del cliente, alcance del proyecto, equipo, fechas, metodologías utilizadas, ratings internos de calidad); un resumen ejecutivo del problema abordado y las recomendaciones formuladas; una extracción estructurada de los datos cuantitativos clave (tamaños de mercado, tasas de crecimiento, benchmarks); una identificación de los supuestos críticos sobre los que se construyó el análisis; y, de manera particularmente valiosa, una comparación automatizada con otros proyectos del clúster, señalando similitudes, divergencias y posibles contradicciones. Es crucial entender que este dossier no es la decisión curatorial final, sino un instrumento de inteligencia que reduce drásticamente el tiempo que el consultor debe dedicar a formarse una idea preliminar de cada documento antes de decidir si merece una lectura en profundidad.
3. La tercera fase, y la más importante desde el punto de vista de la calidad del servicio al cliente, es el momento de la deliberación y decisión humana. El consultor recibe el mapa de conocimiento y los dossiers de síntesis, y ejerce su juicio profesional en un nivel superior. Puede descartar documentos que, aunque semánticamente relevantes, sabe que corresponden a proyectos con resultados insatisfactorios o a marcos que han quedado obsoletos. Puede identificar documentos que el sistema ha infravalorado porque su valor reside en una intuición o un enfoque heterodoxo que las métricas algorítmicas no capturan. Puede detectar sesgos en la selección automatizada —por ejemplo, una ausencia notable de proyectos de determinadas geografías— y solicitar al sistema búsquedas complementarias para corregirlos. Y, de manera crucial, puede aplicar el filtro de la confidencialidad y la sensibilidad contextual: decidir que cierta información, aunque técnicamente relevante, no debe ser utilizada en este proyecto por consideraciones éticas, contractuales o de relación con el cliente. Esta fase incorpora también una dimensión de diálogo y validación con el equipo de proyecto y, cuando procede, con el propio cliente, que puede aportar su conocimiento del contexto organizacional para afinar la pertinencia de los recursos seleccionados.
4. La cuarta fase cierra el ciclo virtuoso mediante un bucle de retroalimentación o feedback loop. Cada decisión del consultor —“este documento es relevante y lo incorporo al análisis”, “este documento es relevante pero está desactualizado en este aspecto”, “este documento parece relevante pero contiene un error factual que lo invalida”— es una señal de aprendizaje de altísimo valor que puede realimentar los modelos algorítmicos. Mediante técnicas de ajuste fino supervisado (fine-tuning) o, de manera más ligera, mediante sistemas de ranking que aprenden de las preferencias explícitas e implícitas del consultor, el modelo va afinando progresivamente su noción de relevancia, acercándola al criterio experto de la práctica. No se trata de que la máquina aprenda a ser humana, sino de que aprenda a emular de manera más precisa el sistema de preferencias de esa comunidad profesional específica, reduciendo la fricción cognitiva en futuras iteraciones. Este ciclo continuo de amplificación (la máquina escala la capacidad del consultor), delegación (el consultor delega el filtro bruto a la máquina) y educación (el consultor entrena a la máquina con sus juicios) constituye la esencia de la curaduría simbiótica aplicada a la consultoría.

Las ventajas de esta síntesis para una firma de consultoría son sustanciales. En primer lugar, permite una aceleración radical de la fase de análisis y diagnóstico de los proyectos, al poner a disposición del equipo, en horas o incluso minutos, un cuerpo de conocimiento corporativo relevante y estructurado que, mediante procesos manuales, requeriría días o semanas de búsqueda y lectura. En segundo lugar, reduce significativamente el riesgo de “reinventar la rueda” o de repetir errores ya documentados, al garantizar que las lecciones aprendidas de proyectos anteriores están efectivamente accesibles en el momento en que se necesitan. En tercer lugar, democratiza el acceso al conocimiento experto dentro de la firma: un consultor junior, convenientemente asistido por el sistema, puede acceder a marcos y datos que tradicionalmente solo estaban disponibles a través de la intermediación de un consultor senior, acelerando su curva de aprendizaje y liberando tiempo de los seniors para tareas de mayor valor.

Los inconvenientes y riesgos de este modelo, sin embargo, deben ser gestionados activamente. Existe un peligro real de “sesgo de automatización”, donde el consultor, presionado por los plazos del proyecto o por una confianza excesiva en la tecnología, acepta acríticamente las recomendaciones del sistema sin ejercer el juicio crítico que constituye su principal aportación de valor (Parasuraman y Manzey, 2010). El diseño de la interfaz de mediación entre el sistema y el consultor es, por tanto, una decisión estratégica: debe fomentar la fricción productiva, señalizando activamente las limitaciones y los niveles de confianza de cada recomendación algorítmica, y exigiendo al consultor una validación explícita antes de que la información pase al entregable del cliente. Asimismo, la dependencia de infraestructuras tecnológicas externas —APIs de LLM, plataformas cloud, sistemas de indexación vectorial— introduce riesgos operativos y de soberanía sobre los datos que deben ser cuidadosamente evaluados, especialmente en un sector donde la confidencialidad de la información del cliente es un imperativo contractual y reputacional.

7. Soluciones técnicas para la implementación de la curaduría simbiótica en entornos de consultoría

La materialización del modelo de curaduría simbiótica descrito requiere un instrumental tecnológico específico, adaptado a las particularidades del entorno consultivo: volúmenes documentales significativos pero no astronómicos (decenas o cientos de miles de documentos, no miles de millones), estrictos requisitos de confidencialidad y control de acceso, y una necesidad de explicabilidad y trazabilidad mucho mayor que en otros contextos de aplicación de IA. A continuación, se detallan las soluciones técnicas que configuran la columna vertebral de una arquitectura de curaduría híbrida para consultoría.

El primer componente es la infraestructura de indexación y recuperación semántica, cuyo núcleo es una base de datos vectorial —como Qdrant, Zilliz, Weaviate, Milvus o Pinecone— que almacena los embeddings de todos los documentos del repositorio corporativo. La elección del modelo de embeddings es una decisión con implicaciones curatoriales profundas. Modelos como los de la familia text-embedding-3 o los modelos open-source como BGE-M3 o E5 ofrecen diferentes equilibrios entre rendimiento, soporte multilingüe y coste computacional. Para una firma de consultoría con operaciones globales, la capacidad de generar embeddings multilingües de alta calidad —que posicionen correctamente documentos en español, inglés, portugués o japonés en el mismo espacio semántico— es un requisito crítico para evitar la creación de silos lingüísticos en el conocimiento corporativo. La base de datos vectorial debe integrarse con los sistemas de gestión documental existentes (Documentum, Alfresco, o soluciones propietarias) mediante conectores que automaticen la ingesta, el parsing y la indexación de nuevos documentos, garantizando que el sistema de curaduría opera siempre sobre una representación actualizada del conocimiento de la firma.

El segundo componente es el pipeline de Generación Aumentada por Recuperación (RAG), que puede construirse utilizando frameworks de código abierto como LangChain, LlamaIndex o Haystack, los cuales facilitan la orquestación de flujos de trabajo que combinan recuperación semántica, razonamiento contextual y generación de lenguaje natural (Gao et al., 2023). Para el contexto específico de la consultoría, se recomienda una arquitectura de “agentes múltiples” especializados, en lugar de un único LLM monolítico. Por ejemplo, se puede desplegar un “Agente Recuperador” especializado en la búsqueda y filtrado inicial; un “Agente Analista” que genera los dossiers de síntesis; y un “Agente Crítico” cuya función específica es rebatir al Analista, señalar posibles sesgos, identificar lagunas de información y alertar sobre afirmaciones no respaldadas por las fuentes. La decisión curatorial final no la toma ningún agente, sino que el sistema presenta al consultor un “diálogo estructurado” entre los agentes, exponiendo tanto las fortalezas como las debilidades argumentadas del recurso. Esta técnica reduce el riesgo de sesgo de un único modelo y hace el proceso de razonamiento mucho más explícito y auditable.

El tercer componente, y el más crítico desde la perspectiva de la mitigación de alucinaciones, es el módulo de verificación factual y trazabilidad. Cada afirmación generada por el sistema en sus dossiers de síntesis debe estar vinculada a fragmentos específicos de los documentos fuente, con enlaces que permitan al consultor verificar en un solo clic la procedencia y el contexto original de la información. Técnicas como las “citation traces” (Rastros de Citas) —cadenas de citas que conectan cada dato sintetizado con su fuente documental— o los “confidence scores” (Puntuaciones de confianza) —indicadores del nivel de respaldo documental que sustenta cada afirmación— son instrumentos esenciales para que el consultor pueda ejercer un juicio informado sobre la fiabilidad de la información que recibe. Cuando el sistema no encuentra respaldo suficiente para una afirmación, debe indicarlo explícitamente en lugar de generar contenido plausible pero no verificado.

El cuarto componente es la capa de gobierno y seguridad de la información, que debe garantizar que los permisos de acceso configurados en los sistemas documentales corporativos se respetan escrupulosamente en todas las fases del pipeline de curaduría. Esto implica que el sistema de control de acceso debe aplicarse en el momento de la recuperación semántica —antes de que los documentos pasen al contexto del LLM—, y no a posteriori. Técnicamente, esto se implementa mediante filtros de seguridad a nivel de metadatos que se aplican en la consulta a la base de datos vectorial, garantizando que el sistema solo recupera documentos para los que el consultor tiene autorización explícita de acceso.

El quinto componente es la interfaz de validación humana, cuyo diseño es quizás la decisión más estratégica de toda la arquitectura, ya que es en esta interfaz donde se juega la calidad real del juicio híbrido. Esta interfaz no debe ser una simple lista de documentos para aprobar o rechazar, sino un “panel de control curatorial” que visualice el mapa de conocimiento del espacio informativo relevante para el proyecto. Mediante técnicas de reducción de dimensionalidad como UMAP (Uniform Manifold Approximation and Projection), se puede proyectar el espacio vectorial de los documentos candidatos en un gráfico interactivo 2D donde el consultor pueda navegar visualmente, identificar clústeres, detectar outliers, y hacer zoom sobre documentos específicos para acceder a sus dossiers de síntesis y a los documentos fuente completos (McInnes et al., 2018). Sus decisiones —seleccionar, descartar, solicitar más información, anotar caveats (advertencias, salvedades, limitaciones o condiciones específicas)— quedan registradas no solo como acciones de proyecto, sino como señales de aprendizaje que realimentan el sistema.

Finalmente, un sexto componente que merece consideración es el módulo de detección proactiva de obsolescencia y contradicciones. El sistema puede programarse para monitorizar continuamente el corpus documental en busca de documentos que han quedado desactualizados por cambios normativos, tecnológicos o de mercado, y de contradicciones entre documentos —por ejemplo, dos proyectos que, para contextos similares, llegaron a recomendaciones opuestas sin que exista un meta-análisis que explique la divergencia—. Estas señales se presentan al equipo de knowledge management o a los líderes de práctica para que ejerzan un juicio curatorial de segundo orden, decidiendo si es necesario actualizar, retirar o anotar los documentos afectados.

8. Conclusiones: La curaduría simbiótica como pilar de la ventaja competitiva en consultoría

El recorrido analítico desplegado a lo largo de este artículo nos ha conducido desde la constatación de una paradoja —firmas que saben mucho pero operan como si no supieran nada— hasta el diseño de una arquitectura sociotécnica donde la inteligencia artificial y el juicio experto del consultor se integran en un ciclo virtuoso de amplificación mutua. La conclusión fundamental es que la disyuntiva entre curaduría algorítmica y curaduría humana, que con frecuencia se plantea en los debates sobre el futuro de la profesión consultiva, es un falso dilema. La máquina no sustituirá al consultor perspicaz, como tampoco el consultor, librado a sus propios recursos cognitivos, podrá seguir ofreciendo a sus clientes la promesa de un conocimiento sintetizado y contextualmente relevante en un mundo donde el volumen de documentación interna crece a un ritmo exponencial.

Hemos visto que la curaduría algorítmica empresarial, basada en arquitecturas RAG que anclan la generación de lenguaje en fuentes documentales verificadas, representa una respuesta técnicamente sólida al problema de la accesibilidad efectiva del conocimiento corporativo. Su capacidad para procesar cientos de miles de documentos, identificar patrones latentes y generar síntesis estructuradas en cuestión de segundos la convierte en un instrumento de una potencia sin precedentes para combatir la amnesia institucional que aqueja a las firmas de consultoría. Sin embargo, hemos constatado igualmente que su modo de “conocer” es fundamentalmente extraño al razonamiento consultivo: carece de la comprensión tácita del contexto del cliente, de la capacidad de cuestionar los supuestos heredados, y de la responsabilidad ética que define la relación de confianza entre consultor y cliente. Su noción de relevancia es una proyección estadística del pasado corporativo; su relación con la verdad es una relación de probabilidad condicionada por los datos de entrenamiento.

Frente a ella, la curaduría humana encarna las dimensiones que la máquina no puede replicar: la lectura perspicaz del contexto único de cada situación de cliente, la capacidad de generar conexiones creativas entre dominios dispares, el juicio ético sobre qué información es apropiada y proporcionada para cada interlocutor, y la asunción de responsabilidad profesional por las consecuencias de las recomendaciones. Pero su fragilidad operativa —la imposibilidad de procesar más que una fracción mínima del conocimiento documentado de la organización— la incapacita para cumplir su misión en solitario en el entorno actual.

La vía que se ha defendido en este artículo es la de la síntesis simbiótica. La metáfora del “consultor aumentado” —un profesional que dispone de un sistema de inteligencia algorítmica que explora, filtra y estructura el conocimiento corporativo para él, permitiéndole concentrar su talento en las tareas de interpretación, creación de puntos críticos (insights) y relación con el cliente— no es una especulación futurista, sino un horizonte técnicamente alcanzable con las tecnologías actuales, como lo demuestran los casos de firmas globales que ya han implementado plataformas de IA generativa que dan acceso a decenas de miles de documentos de proyectos anteriores, permitiendo a sus consultores generar análisis y comunicaciones que cumplen automáticamente con los estándares de calidad de la firma.

Para el sector de la consultoría, la adopción de este modelo de curaduría simbiótica tiene implicaciones estratégicas que trascienden la mera eficiencia operativa. En primer lugar, redefine la propuesta de valor de la firma ante sus clientes: en un mundo donde la información bruta es un commodity, la capacidad de ofrecer conocimiento curado —información que ha sido seleccionada, validada, contextualizada y sintetizada por un sistema híbrido que combina la exhaustividad algorítmica con el juicio experto— se convierte en un diferenciador competitivo de primer orden. En segundo lugar, transforma el modelo de desarrollo del talento: los consultores junior, asistidos por sistemas que les dan acceso al conocimiento acumulado de la organización, pueden acelerar su curva de aprendizaje y aportar valor en fases más tempranas de su carrera, mientras que los consultores senior pueden dedicar una mayor proporción de su tiempo a las actividades de mayor impacto —la relación estratégica con el cliente, la mentoría de equipos, la innovación metodológica—. En tercer lugar, fortalece la resiliencia institucional: el conocimiento crítico deja de residir exclusivamente en las mentes de unos pocos expertos —con el consiguiente riesgo de pérdida cuando estos rotan o se jubilan— para quedar progresivamente codificado, estructurado y accesible a través de sistemas que aprenden y mejoran con cada interacción.

Los riesgos de este modelo —el sesgo de automatización, la dependencia tecnológica, la posible erosión de las competencias analíticas de los consultores si delegan en exceso— son reales, pero no constituyen argumentos contra la simbiosis, sino exigencias de diseño para su implementación responsable. La clave reside en concebir la tecnología no como un sustituto del juicio profesional, sino como un amplificador de sus capacidades, y en diseñar los flujos de trabajo y las interfaces de manera que la fricción productiva entre el consultor y el sistema se mantenga como un espacio de deliberación crítica, no de aceptación pasiva.

En última instancia, la curaduría consultiva simbiótica representa una nueva frontera en la evolución de la industria de la consultoría. Así como en décadas anteriores la ventaja competitiva se desplazó desde el acceso a la información hacia la capacidad de procesarla, el nuevo campo de batalla se sitúa en la capacidad de curarla —de seleccionar, validar, contextualizar y sintetizar el conocimiento con una combinación de escala algorítmica y profundidad humana que ninguna de las dos puede alcanzar por sí sola—. Las firmas que logren dominar este arte híbrido no solo resolverán su paradoja del conocimiento; estarán sentando las bases de una nueva generación de servicios de consultoría, donde la promesa de ofrecer al cliente “el conocimiento correcto, en el momento correcto, en el contexto correcto” dejará de ser una aspiración para convertirse en una capacidad operativa medible, escalable y, sobre todo, confiable.

Referencias

1. Alavi, M., y Leidner, D. E. (2001). Review: Knowledge management and knowledge management systems: Conceptual foundations and research issues. MIS Quarterly, 25(1), 107-136. https://doi.org/10.2307/3250961
2. Carlini, N., Tramèr, F., Wallace, E., Jagielski, M., Herbert-Voss, A., Lee, K., Roberts, A., Brown, T., Song, D., y Erlingsson, Ú. (2021). Extracting training data from large language models. En 30th USENIX Security Symposium (USENIX Security 21) (pp. 2633-2650). USENIX Association. https://www.usenix.org/conference/usenixsecurity21/presentation/carlini-extracting
3. Engelbart, D. C. (1962). Augmenting human intellect: A conceptual framework (Summary Report AFOSR-3223). Stanford Research Institute.
4. Gao, Y., Xiong, Y., Wang, X., Wang, J., Peng, X., Sun, Y., Zhang, Z., y Wang, F. (2023). Retrieval-augmented generation for large language models: A survey. arXiv preprint arXiv:2312.10997. https://doi.org/10.48550/arXiv.2312.10997
5. Gartner. (2024). Top strategic technology trends for 2024: Information technology insights. Gartner Research. https://ro.nttdata.com/insights/reports/gartner-top-strategic-technology-trends-for-2024
6. Grant, R. M. (1996). Toward a knowledge-based theory of the firm. Strategic Management Journal, 17(S2), 109-122. https://doi.org/10.1002/smj.4250171110
7. Ji, Z., Lee, N., Frieske, R., Yu, T., Su, J., Xu, B., Ishii, E., Bang, Y. J., Madotto, A., y Fung, P. (2023). Survey of hallucination in natural language processing. ACM Computing Surveys, 55(12), 1-38. https://doi.org/10.1145/3571730
8. Lewis, P., Perez, E., Piktus, A., Petroni, F., Lewis, V., Riedel, S., y Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459-9474. https://doi.org/10.48550/arXiv.2005.11401
9. Licklider, J. C. R. (1960). Man-computer symbiosis. IRE Transactions on Human Factors in Electronics, HFE-1(1), 4-11. https://doi.org/10.1109/THFE.160.5008410
10. McInnes, L., Healy, J., y Melville, J. (2018). UMAP: Uniform manifold approximation and projection for dimension reduction. arXiv preprint arXiv:1802.03426. https://doi.org/10.48550/arXiv.1802.03426
11. McKinsey Global Institute. (2012). The social economy: Unlocking value and productivity through social technologies. McKinsey & Company. https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-social-economy
12. Nonaka, I., y Takeuchi, H. (1995). The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press. https://www.taylorfrancis.com/chapters/edit/10.4324/9780080505022-16/
13. Parasuraman, R., y Manzey, D. H. (2010). Complacency and bias in human use of automation. Human Factors, 52(3), 381-410. https://doi.org/10.1177/0018720810376055
14. Peirce, C. S. (1931-1958). Collected papers of Charles Sanders Peirce (Vols. 1-8, C. Hartshorne, P. Weiss, y A. W. Burks, Eds.). Harvard University Press.
15. Polanyi, M. (1966). The tacit dimension. Doubleday & Co.
16. Suresh, H., y Guttag, J. V. (2021). A framework for understanding sources of harm in machine learning. En Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 522-531). https://doi.org/10.1145/3442188.3445915
17. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., y Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998-6008. https://doi.org/10.48550/arXiv.1706.03762