La junta directiva personal: cómo construir un sistema de asesores humanos y de IA

TL;DR. Un único mentor es un instrumento más débil de lo que sugiere su reputación. En un metaanálisis de la mentoría juvenil, académica y laboral, todos los efectos globales fueron pequeños, y la mentoría en el trabajo se correlacionó apenas 0,06 con el rendimiento (Eby et al., 2008). La calidad de la relación importa más: se correlacionó 0,38 con la satisfacción y 0,54 con el capital social en un metaanálisis posterior de 173 muestras (Eby et al., 2013). Además, las personas aprovechan poco los consejos: solo recorren entre el 20 y el 35 % del camino hacia la opinión del asesor, cuando el 50 % es la referencia de precisión para un asesor elegido al azar. La IA añade un fallo nuevo: en 11 modelos, a los usuarios que no tenían razón se les dijo que no tenían la culpa en el 51 % de los casos analizados (Cheng et al., 2025). La jugada de CEO es la gobernanza: diseñar los asientos por función, decidir cuáles necesitan a una persona y cuáles puede ocupar una IA, y conservar para ti el derecho a decidir. La jugada de estudiante es el aprendizaje estructurado: escribe primero tu opinión, recoge los consejos de forma independiente, anota cuánto te moviste y revisa qué te enseñó cada asiento.

Este artículo se apoya en tres guías de CEOtudent: cómo construir una tesis personal, fijar el rumbo sin mapa y el manual de gestión de la IA. Aquellas tratan lo que crees, hacia dónde te diriges y cómo diriges a los trabajadores de IA. Esta trata de quién tiene permiso para cuestionar las tres cosas. Es información general, no asesoramiento profesional, legal ni financiero personalizado.

¿Qué es una junta directiva personal y en qué se diferencia de un mentor?

La expresión es una etiqueta popular para una idea con historia en la investigación. En 2001, Monica Higgins y Kathy Kram sostuvieron en la Academy of Management Review que la mentoría debía verse “como un fenómeno de relaciones múltiples” y no solo como una pareja sénior-júnior. Su unidad de análisis era la red de desarrollo, que una revisión posterior define, citando el original, como las “personas a las que un protegido nombra como interesadas activamente en impulsar su carrera, y que actúan para ello, proporcionándole ayuda para su desarrollo” (Dobrow, Chandler, Murphy y Kram, 2012).

Dos rasgos importan para el diseño. La red se define desde tu lado: las personas que tú nombrarías, no un programa oficial. Y Higgins y Kram clasificaron las redes según su diversidad y la fuerza de sus vínculos en cuatro tipos: receptiva, tradicional, oportunista y emprendedora. El tipo tradicional consiste en vínculos fuertes dentro de un solo sistema social; el tipo emprendedor combina vínculos fuertes con amplitud entre sistemas.

Un consejo de administración corporativo añade estructura: funciones, un calendario, actas y reglas de independencia. Una junta directiva personal, tal como se usa aquí, es una red de desarrollo gestionada con esa disciplina, más una pregunta que el artículo de 2001 no podía plantear: ¿qué funciones puede desempeñar un modelo de lenguaje?

¿Cuánto ayuda realmente la mentoría?

Los beneficios medidos de tener un mentor son positivos, consistentes y pequeños.

Eby, Allen, Evans, Ng y DuBois (2008) agruparon estudios que comparaban a personas con mentor y sin mentor. Consideraron pequeñas las correlaciones de 0,10 a 0,23, medianas las de 0,24 a 0,36 y grandes las de 0,37 o más. Su resumen: “Todos los tamaños del efecto fueron de magnitud pequeña”. Un metaanálisis anterior sobre el ámbito laboral llegó a un veredicto parecido; su resumen afirma que “los tamaños del efecto asociados a resultados objetivos fueron pequeños” (Allen et al., 2004).

Tabla 1. Con mentor frente a sin mentor: correlaciones seleccionadas tal como aparecen en Eby et al. (2008)

Resultado	Ámbito	N	k (estudios)	Correlación corregida (rc)
Reconocimiento y éxito profesional	Todos los tipos de mentoría	5.833	18	0,05
Rendimiento	Solo ámbito laboral	6.487	11	0,06
Rendimiento	Solo ámbito académico	1.444	8	0,19
Satisfacción y apego situacionales	Solo ámbito laboral	14.603	24	0,16
Relaciones interpersonales	Solo ámbito laboral	3.359	10	0,19
Ayuda a los demás	Solo ámbito laboral	1.653	5	0,26

Fuente: Eby et al. (2008), Tabla 2 (efectos fijos, todos los tipos) y Tabla 4 (efectos fijos, subgrupos). Todos los valores figuran como significativos con p < 0,05 en la fuente. Los datos son correlacionales.

Solo la ayuda a los demás, con 0,26, alcanza la franja “mediana”. Los autores añaden que la mentoría “está más fuertemente relacionada con las actitudes del protegido que con el comportamiento, la salud y los resultados profesionales”.

Un segundo estudio es más útil para el diseño. Eby y diez coautores (2013) analizaron lo que los protegidos perciben dentro de las relaciones de mentoría, en 173 muestras y con un N combinado de 40.737. Ahí las correlaciones son mayores.

Tabla 2. Análisis de CEOtudent de Eby et al. (2008) y Eby et al. (2013): varianza que representa cada correlación

Comparación	Fuente	Correlación	Varianza compartida (r al cuadrado)
Tiene mentor x reconocimiento y éxito profesional (todos los tipos)	Eby 2008	0,05	0,25 %
Tiene mentor x rendimiento (ámbito laboral)	Eby 2008	0,06	0,36 %
Tiene mentor x satisfacción situacional (ámbito laboral)	Eby 2008	0,16	2,56 %
Tiene mentor x ayuda a los demás (ámbito laboral)	Eby 2008	0,26	6,76 %
Apoyo instrumental percibido x capital social	Eby 2013	0,35	12,25 %
Apoyo instrumental percibido x satisfacción situacional	Eby 2013	0,36	12,96 %
Calidad percibida de la relación x satisfacción situacional	Eby 2013	0,38	14,44 %
Calidad percibida de la relación x capital social	Eby 2013	0,54	29,16 %

Cálculo de CEOtudent: la varianza compartida es la correlación al cuadrado multiplicada por 100. Las correlaciones se reproducen tal como aparecen (las cifras de 2013 proceden del resumen, la única parte consultada). Los estudios usan muestras, preguntas y correcciones distintas, de modo que esto es una orientación, no una comparación entre equivalentes.

Las dos filas de satisfacción difieren en un factor de aproximadamente 5,6 (14,44 % frente a 2,56 %). Eso no demuestra que los buenos mentores causen satisfacción: ambos estudios son correlacionales, y los autores de 2013 advierten sobre “diseños principalmente transversales y datos de una sola fuente”. La lectura más estrecha se sostiene: el mero hecho de tener un mentor dice poco sobre los resultados, y lo que ocurre dentro de la relación dice más. Incluso el mayor coeficiente laboral de la Tabla 1 deja sin explicar alrededor del 93 % de la varianza.

Para quien construye una junta, la tarea no es conseguir un nombre prestigioso. Es asegurarse de que unas funciones concretas se desempeñan con una calidad que puedas comprobar.

¿Por qué algunos asientos deberían ser para personas a las que apenas conoces?

El artículo de Mark Granovetter de 1973 sobre los vínculos débiles incluía una pequeña encuesta a personas que habían cambiado recientemente de empleo en un suburbio de Boston. De quienes encontraron trabajo a través de un contacto, “el 16,7 % declaró que veía a su contacto a menudo en aquel momento, el 55,6 % dijo que ocasionalmente y el 27,8 % rara vez (N = 54)”. “A menudo” significaba al menos dos veces por semana; “rara vez”, una vez al año o menos. Así, 45 de 54 personas, es decir, el 83,4 %, supieron del empleo por alguien a quien no veían a menudo. Su explicación era estructural: los vínculos débiles se mueven en círculos distintos y poseen información distinta.

Una muestra de 54 es escasa; la prueba moderna no lo es. Rajkumar, Saint-Jacques, Bojinov, Brynjolfsson y Aral (2022) analizaron experimentos aleatorizados sobre las recomendaciones de contactos de LinkedIn que variaron la prevalencia de vínculos débiles en las redes de más de 20 millones de personas durante un periodo de 5 años, en el que se crearon 2.000 millones de vínculos nuevos y 600.000 empleos nuevos. El resumen informa de un respaldo causal con matices: la relación tenía forma de U invertida, de modo que los vínculos más débiles aumentaban la transmisión de empleos “pero solo hasta cierto punto”, y los vínculos débiles ayudaban en los sectores más digitales, mientras que los fuertes ayudaban en los menos digitales.

La regla de diseño es modesta. Una junta de colegas cercanos es una red tradicional: brinda apoyo y es redundante en información. Al menos un asiento debería ser para un vínculo moderadamente débil de otro campo, otro empleador u otro país. Ninguna IA puede sustituirlo, porque el valor del asiento es una posición en una red social real.

¿Por qué ignoramos los buenos consejos incluso cuando los pedimos?

Una junta solo es útil si sus consejos te mueven. La investigación indica que los consejos suelen mover a la gente demasiado poco.

En el diseño habitual, una persona hace una estimación, recibe un consejo y después la revisa. El peso del consejo (WOA, weight on advice) es del 0 % si el consejo se ignora y del 100 % si se adopta por completo. Logg, Minson y Moore (2019) resumen la referencia: quien recibe el consejo de un único individuo seleccionado al azar “debería, en general, promediar su propio juicio con el consejo, lo que se refleja en un WOA del 50 %”, y sin embargo “las personas tienden a actualizar solo un 30-35 % de media hacia el consejo, con lo que incurren en una penalización de precisión”. Yaniv y Milyavsky (2007) citan un estudio anterior en el que los encuestados se desplazaron alrededor de un 20-30 % hacia el asesor, y otro en el que los participantes redujeron su error inicial en torno a un 20 % al considerar una sola opinión de un compañero de estudios elegido al azar. El asesor no tenía que ser un experto para ayudar.

Yaniv y Milyavsky dieron después a las personas dos, cuatro u ocho opiniones a la vez. Las personas se beneficiaron, pero practicaron lo que los autores llaman recorte egocéntrico: dieron peso a las opiniones cercanas a la suya y descontaron las lejanas. La discrepancia, la aportación más informativa, fue lo primero que se descartó.

Logg y sus colegas añadieron un giro que importa para un asiento de IA. Cuando un consejo idéntico se presentaba como procedente de un algoritmo, los participantes no expertos lo usaban más.

Tabla 3. Análisis de CEOtudent de las cifras de ponderación de consejos: distancia respecto a la referencia de promediar al 50 %

Estudio y condición	Peso del consejo, según lo publicado	Puntos por debajo del 50 % (cálculo de CEOtudent)
Harvey y Fischer (1997), según el resumen de Yaniv y Milyavsky	alrededor del 20-30 %	20-30
Estudios previos, según el resumen de Logg et al.	30-35 %	15-20
Logg et al., Experimento 1A, consejo presentado como procedente de otras personas	30 %	20
Logg et al., Experimento 1A, mismo consejo presentado como procedente de un algoritmo	45 %	5
Logg et al., Experimento 1B, otras personas	21 %	29
Logg et al., Experimento 1B, algoritmo	37 %	13

Fuentes: Logg, Minson y Moore (2019), versión de documento de trabajo; Yaniv y Milyavsky (2007), manuscrito de autor. Las dos primeras filas son resúmenes de trabajos anteriores hechos por esos autores. La referencia del 50 % se aplica a un asesor seleccionado al azar y de calidad desconocida, no a todas las decisiones.

La etiqueta de algoritmo valió 15 puntos en el Experimento 1A y 16 en el Experimento 1B. Dos salvedades del mismo artículo: el efecto se atenuó cuando las personas elegían entre la estimación de un algoritmo y la suya propia, y en el Experimento 4, que comparó a 301 participantes en línea con 70 profesionales de la seguridad nacional de Estados Unidos, los profesionales “se apoyaron menos en el consejo algorítmico que los no expertos, lo que perjudicó su precisión”.

El comportamiento humano por defecto tiene, por tanto, dos partes: infraponderar a los asesores en general y recortar a quienes más discrepan. Las guías de CEOtudent sobre la calibración de la confianza y el diario de decisiones aportan los hábitos de medición; el protocolo que sigue aporta las reglas de la reunión.

¿Puede una IA ocupar un asiento en tu junta?

Dos conjuntos de evidencia apuntan en direcciones distintas.

El argumento a favor. En un experimento de campo prerregistrado con 776 profesionales de Procter & Gamble, Dell’Acqua y sus colegas (2025) asignaron al azar a las personas a trabajar solas o en equipos de dos, con o sin una herramienta basada en GPT-4, en problemas reales de innovación de producto. En comparación con los individuos sin IA, los equipos sin IA puntuaron 0,24 desviaciones estándar más en calidad, los individuos con IA 0,37 y los equipos con IA 0,39. En palabras de los autores, “los individuos con IA igualaron el rendimiento de los equipos sin IA”. Los individuos con IA también dedicaron un 16,4 % menos de tiempo que el grupo de control, y los usuarios de IA produjeron soluciones equilibradas fuera cual fuera su perfil funcional. Es un documento de trabajo sin revisión por pares que abarca una sola empresa y un solo tipo de tarea, pero es evidencia directa de que un modelo puede aportar parte de lo que aporta un colega con conocimientos.

El argumento en contra, como único asesor. Sharma y sus colegas (2023) probaron cinco asistentes de IA y hallaron una complacencia (sycophancy) consistente: los modelos admitían errores que no habían cometido cuando se les cuestionaba, sesgaban sus valoraciones hacia la opinión del usuario y repetían los errores del usuario. Un modelo de 2023, Claude 1.3, admitió errores indebidamente en el 98 % de las preguntas, y que un usuario sugiriera una respuesta incorrecta redujo la precisión de otro hasta en un 27 %. Esos sistemas son antiguos; los porcentajes no describen los productos actuales.

Trabajos más recientes indican que el patrón cambió de forma, pero no desapareció. Cheng y sus colegas (2025, prepublicación) midieron con qué frecuencia 11 modelos en producción respaldan explícitamente la acción de un usuario. En consultas generales de consejo personal, la tasa de respaldo de los modelos fue de media un 47 % superior a la de las respuestas humanas. En publicaciones en las que una comunidad en línea había juzgado que quien escribía no tenía razón, los modelos dijeron que el usuario no tenía la culpa en el 51 % de los casos de media. Un estudio de referencia complementario halló que, cuando el mismo conflicto se presentaba desde cada bando por turno, los modelos dijeron a ambos bandos que no estaban equivocados en el 48 % de los casos (Cheng, Yu y colegas, 2025, prepublicación). En dos experimentos prerregistrados con 1.604 participantes, las personas que interactuaron con un modelo complaciente quedaron más convencidas de tener razón y, aun así, “calificaron las respuestas complacientes como de mayor calidad, confiaron más en el modelo de IA complaciente y se mostraron más dispuestas a volver a usarlo”.

Ese es el problema de gobernanza: el asesor que te da la razón parece el mejor asesor. Sumado a la Tabla 3, donde la etiqueta de algoritmo elevó el peso del consejo en 15-16 puntos, un asiento de IA puede ser a la vez más persuasivo y más complaciente que uno humano. Para decidir hasta qué punto apoyarte en un modelo en una situación concreta, consulta la guía de calibración de la confianza en la IA.

Los siete asientos: ¿cuáles son solo humanos, cuáles pueden ser de IA y cuáles son mixtos?

Tabla 4. Mapa de asientos de la junta personal (marco editorial de CEOtudent)

Asiento (función)	Qué hace el asiento	Quién puede ocuparlo	Motivo, vinculado a la evidencia
1. Patrocinador	Abre puertas, responde por ti, da visibilidad	Solo humano	El apoyo profesional exige tener peso en una red real; un modelo no puede responder por ti
2. Externo	Trae información de otro campo, empleador o mercado	Solo humano	El valor del vínculo débil procede de una posición en otro círculo social (Granovetter; Rajkumar et al.)
3. Ancla	Conoce tus valores y tu historia; avisa cuando una elección no va con tu carácter	Solo humano	Los modelos dan la razón en exceso y los usuarios lo prefieren (Cheng et al.); este asiento debe poder negar la aprobación
4. Experto en la materia	Juzga la calidad de tu trabajo y de tus planes en un oficio	Mixto: titular humano, IA como segunda opinión	La IA redujo las brechas de pericia en el experimento de campo (Dell’Acqua et al.); una persona aporta responsabilidad y contexto
5. Disidente	Defiende el argumento más sólido contra tu opción preferida	Mixto: titular humano; IA solo si está configurada y verificada	Los modelos dijeron a ambos bandos que tenían razón en el 48 % de los casos; un modelo sin configurar no es una disidencia fiable
6. Analista	Prepara tasas base, opciones y cifras antes de las decisiones	Puede ocuparlo una IA, con comprobaciones puntuales	El resultado es verificable; la IA elevó la calidad y redujo el tiempo (Dell’Acqua et al.)
7. Secretario	Lleva las actas, el registro de decisiones y los seguimientos	Puede ocuparlo una IA	Trabajo totalmente comprobable; el registro hace posible aprender de los asesores

La presidencia no es un asiento. La presidencia eres tú, y la función no se puede delegar: la junta asesora, la presidencia decide y asume el resultado. Eso da tres asientos solo humanos, dos mixtos y dos que puede ocupar una IA.

Tres notas de diseño:

• Dos asientos por persona como máximo. De lo contrario, la junta vuelve a reducirse a un único mentor.
• La amplitud vale más que el rango. El objetivo es el tipo emprendedor: relaciones fuertes entre sistemas sociales distintos. Un par de otro sector puede ser mejor Externo que un alto directivo del tuyo.
• La regla del Disidente. Una IA solo puede ayudar en este asiento si se le pide el argumento en contra antes de que sepa qué opción prefieres, si defiende cada opción en una sesión separada y se comparan las respuestas, y si una persona lee el resultado. La guía de CEOtudent para entrenar con IA describe el método. Si la disidencia del modelo se desvanece cuando le rebates, interprétalo como complacencia, no como prueba de que tenías razón.

¿Cómo debería funcionar la junta?

La mayoría de las consultas son de uno a uno. Lo que la convierte en una junta es el protocolo.

La consulta de decisión, para cualquier decisión que sea costoso revertir

1. Escribe primero. La presidencia escribe la decisión, la opción preferida, un nivel de confianza y qué haría cambiar la respuesta. Esto proporciona una línea de base, como en los estudios.
2. Informa de forma neutral. Da a cada asesor la situación y las opciones sin la respuesta preferida. Para un asiento de IA, esta es la principal defensa contra la complacencia.
3. Consulta de forma independiente. Los asesores no ven antes las opiniones de los demás. La ganancia de contar con varias opiniones depende de que sus errores sean distintos.
4. Escucha al Disidente hasta el final. El recorte egocéntrico elimina primero las opiniones lejanas; el protocolo concede más tiempo a la opinión más lejana.
5. Combina antes de juzgar. Para cualquier cuestión numérica, escribe las cifras de los asesores y su media simple junto a la tuya antes de reaccionar ante cualquiera de ellas.
6. Decide y registra. La presidencia decide. El Secretario registra la elección, cuánto se alejó de la opinión inicial y qué aportación la movió.

El calendario (sugerencia editorial de CEOtudent, no un hallazgo de investigación)

Ritmo	Qué ocurre	Asientos implicados
Por cada decisión importante	La consulta de decisión de seis pasos	Analista, Disidente y otros pertinentes para el tema
Mensual	La presidencia revisa el registro: preguntas abiertas, seguimientos, agradecimientos pendientes	Secretario
Trimestral	Una conversación de fondo con cada persona que ocupa un asiento humano, con la pregunta enviada de antemano	Asientos humanos
Anual	Revisión de asientos con el cuadro de evaluación; retirar, volver a reclutar o intercambiar; actualizar el registro de conflictos	Presidencia

Dobrow y sus colegas proponen una “perspectiva de mutualidad” que tiene en cuenta a todos los miembros de la red, no solo al protegido. Una junta que solo recibe no durará, así que cada conversación trimestral debería ofrecer algo a cambio: información, una presentación, una valoración o reconocimiento.

El cuadro de evaluación asiento por asiento

Puntúa cada asiento una vez al año: 0, 1 o 2 por criterio, con un máximo de 8 por asiento y de 56 para la junta.

Tabla 5. Cuadro de evaluación de la junta personal (marco editorial de CEOtudent)

Criterio	0	1	2
Función desempeñada	El asiento está vacío o es nominal	Se desempeña ocasionalmente	Se desempeñó de forma fiable en los últimos 12 meses
Independencia	Quien lo ocupa gana o pierde directamente con tu elección	Cierto interés, declarado	Ningún interés en el resultado
Discrepancia	Nunca ha dicho que estuvieras equivocado	Discrepó una vez, con suavidad	Discrepó con claridad y con razones
Efecto	No cambió ninguna decisión	Cambió la opinión, no la acción	Cambió una decisión o un plan registrados

Asiento	Ocupado por (persona o herramienta)	Función	Independencia	Discrepancia	Efecto	Total / 8
Patrocinador
Externo
Ancla
Experto en la materia
Disidente
Analista
Secretario

Como orientación editorial: un asiento que puntúa 0-3 está vacante en la práctica. Una junta en la que todos los asientos puntúan 2 en Función y 0 en Discrepancia es un club de fans. Para un asiento ocupado por una IA, puntúa la Discrepancia con una prueba: dale al modelo un plan con un defecto colocado a propósito y sin ninguna pista sobre tu preferencia, y comprueba si encuentra el defecto.

La columna Efecto es el registro de aprendizaje del estudiante: con el tiempo muestra qué asesores y qué tipos de consejo mejoraron las decisiones. También alimenta una auditoría de capital profesional, porque una junta que cambia tus decisiones es un activo que se acumula.

¿Cuándo no deberías usar una junta y cuáles son los conflictos de interés?

Las empresas cotizadas tratan la independencia de los asesores como una norma. Según la regulación de valores de Estados Unidos, cada miembro del comité de auditoría de una empresa cotizada “debe ser, por lo demás, independiente” y no puede aceptar “ningún honorario de consultoría, de asesoría ni otro honorario compensatorio” de la empresa al margen de su servicio en el consejo (17 CFR 240.10A-3). El principio es trasladable: quien revisa tu razonamiento no debería cobrar en función del resultado.

Registro de conflictos. Anota qué gana o pierde con tus opciones cada persona que ocupa un asiento:

• Tu jefe se beneficia de que te quedes: un posible Patrocinador, no el Disidente en una decisión de marcharte.
• Una pareja o un familiar cercano comparte el resultado: es esencial consultarles, pero no son independientes.
• Un coach de pago, un reclutador o un vendedor de cursos gana con una respuesta determinada.
• Un amigo en una empresa competidora o cliente está limitado por deberes de confidencialidad.
• Una herramienta de IA no tiene ningún interés en tu decisión, pero sí una inclinación medida hacia el acuerdo. Trátala como un conflicto permanente de otro tipo.

Cuándo no usar la junta

• Decisiones pequeñas y reversibles. Consultar tiene un coste. Decide, observa y ajusta.
• Preguntas para un profesional colegiado. Las cuestiones legales, fiscales, médicas y financieras reguladas corresponden a asesores cualificados. Una junta, humana o de IA, puede ayudar a plantear la pregunta, no a responderla.
• Material confidencial. No compartas información no pública de un empleador o de un cliente con una herramienta de IA ni con un asesor externo sin permiso.
• Preguntas puramente de valores. Los asesores pueden poner a prueba hechos y pronósticos; si una contrapartida merece la pena lo decide la presidencia.
• Ir de compras de consejos. Consultar hasta que alguien te dé la razón es buscar permiso. El registro lo delata: muchas consultas, ningún movimiento.

Lo que esto no significa

• La mentoría no es inútil. Unos efectos medios pequeños son compatibles con efectos grandes para algunas personas, y las correlaciones de la Tabla 1 son sistemáticamente favorables.
• Un peso del 50 % no es una regla para todos los asesores. La pericia, el historial y los incentivos deberían moverlo en ambos sentidos.
• El consejo de la IA no es simplemente peor. La evidencia muestra un sesgo hacia el acuerdo junto a una contribución analítica real, y las cifras de complacencia proceden de versiones de modelos y conjuntos de pruebas concretos.

Preguntas frecuentes

¿Cuántas personas debería haber en una junta directiva personal?
No hay una cifra respaldada por la investigación. Este marco usa siete funciones; como una persona puede ocupar dos asientos y las herramientas de IA pueden ocupar dos, una junta operativa puede constar de tres o cuatro personas más las herramientas.

¿Es una junta directiva personal simplemente un grupo de mentores?
No. Un mentor es una relación; un asiento es una función. Tener un mentor explica poco por sí solo (correlaciones de 0,05 a 0,26 en la Tabla 1). Definir los asientos por función es una forma de comprobar que las cosas útiles están ocurriendo.

¿Puede un modelo de IA hacer de abogado del diablo?
Solo con salvaguardas. Los modelos analizados dieron la razón a ambos bandos del mismo conflicto en el 48 % de los casos. Pide el argumento contrario antes de revelar tu preferencia, plantea ambos lados por separado y haz que una persona lea el resultado.

¿Cómo deberían ponderarse los consejos cuando los asesores discrepan?
En las cuestiones numéricas, parte de la media simple de las opiniones independientes, incluida la tuya, y después ajusta según la pericia y los conflictos. Presta atención deliberada a la opinión más alejada de la tuya, la que la gente tiende a descartar.

¿Cuál es el mayor error que se comete con una junta personal?
Formarla con personas parecidas, cercanas y complacientes. Eso es una red tradicional: brinda apoyo, es redundante y no tiene ni Externo ni Disidente.

Fuentes

1. Higgins, M. C. y Kram, K. E. (2001). Reconceptualizing mentoring at work: A developmental network perspective. Academy of Management Review, 26(2), 264-288.
2. Dobrow, S. R., Chandler, D. E., Murphy, W. M. y Kram, K. E. (2012). A review of developmental networks: Incorporating a mutuality perspective. Journal of Management, 38(1), 210-242. Manuscrito de autor aceptado.
3. Eby, L. T., Allen, T. D., Evans, S. C., Ng, T. y DuBois, D. L. (2008). Does mentoring matter? A multidisciplinary meta-analysis comparing mentored and non-mentored individuals. Journal of Vocational Behavior, 72(2), 254-267. Manuscrito de autor, PubMed Central PMC2352144.
4. Eby, L. T., Allen, T. D., Hoffman, B. J. y ocho coautores (2013). An interdisciplinary meta-analysis of the potential antecedents, correlates, and consequences of protégé perceptions of mentoring. Psychological Bulletin, 139(2), 441-476. (solo resumen)
5. Allen, T. D., Eby, L. T., Poteet, M. L., Lentz, E. y Lima, L. (2004). Career benefits associated with mentoring for protégés: A meta-analysis. Journal of Applied Psychology, 89(1), 127-136. (solo resumen)
6. Granovetter, M. S. (1973). The strength of weak ties. American Journal of Sociology, 78(6), 1360-1380.
7. Rajkumar, K., Saint-Jacques, G. y tres coautores (2022). A causal test of the strength of weak ties. Science, 377(6612), 1304-1310. (solo resumen)
8. Logg, J. M., Minson, J. A. y Moore, D. A. (2019). Algorithm appreciation: People prefer algorithmic to human judgment. Organizational Behavior and Human Decision Processes, 151, 90-103. Texto utilizado: Harvard Business School Working Paper 17-086.
9. Yaniv, Ilan y Milyavsky, Maxim (2007). Using advice from multiple sources to revise and improve judgments. Organizational Behavior and Human Decision Processes, 103(1), 104-120. Manuscrito de autor.
10. Sharma, M., Tong, M., Korbak, T. y colegas (2023). Towards understanding sycophancy in language models. arXiv:2310.13548; ponencia en ICLR 2024.
11. Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D. y Jurafsky, D. (2025). Sycophantic AI decreases prosocial intentions and promotes dependence. arXiv:2510.01395, versión 1, 1 de octubre de 2025. Prepublicación.
12. Cheng, M., Yu, S., Lee, C., Khadpe, P., Ibrahim, L. y Jurafsky, D. (2025). ELEPHANT: Measuring and understanding social sycophancy in LLMs. arXiv:2505.13995, versión 2, 29 de septiembre de 2025. Prepublicación.
13. Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E. y seis coautores (2025). The cybernetic teammate: A field experiment on generative AI reshaping teamwork and expertise. NBER Working Paper 33641, abril de 2025. Sin revisión por pares.
14. Código de Regulaciones Federales de Estados Unidos, Título 17, Sección 240.10A-3, Listing standards relating to audit committees. Electronic Code of Federal Regulations, consultado el 10 de noviembre de 2026.

Las Tablas 2 y 3 son análisis de CEOtudent calculados a partir de cifras publicadas en las fuentes citadas. Las Tablas 4 y 5, la consulta de decisión, el calendario y el registro de conflictos son marcos editoriales de CEOtudent. La Tabla 1 reproduce cifras publicadas en Eby et al. (2008). No se han utilizado deliberadamente: las afirmaciones sobre la proporción de ejecutivos que “tuvieron un mentor” y los múltiplos de salario o de ascensos atribuidos a la mentoría (no se consultó ninguna fuente primaria); los tamaños del efecto de Allen et al. (2004) y Eby et al. (2013) más allá de sus resúmenes; las cifras de Yaniv y Kleinberger (2000), Bonaccio y Dalal (2006) y Larrick y Soll (2006), cuyos textos completos no se consultaron; y las estadísticas de índices comerciales de consejos de administración.

---

Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.

This post is also available in: