Cuando discrepas de una recomendación de la IA

Resumen rápido: "Cuéntame de una vez que discrepaste de una recomendación de la IA" es una pregunta de entrevista que se está expandiendo rápido en 2026 y evalúa si aceptas la salida de la IA sin cuestionarla o si realmente la verificas antes de actuar. Las respuestas más sólidas separan una recomendación obviamente incorrecta de una sutilmente incorrecta que parecía plausible, nombran el contexto específico que la IA no tenía, y terminan diciendo qué cambió en cómo usas esa herramienta después. Evita por completo el tono de "no confío en la IA" — la pregunta evalúa hábitos de verificación, no escepticismo.

Un gerente de contratación compartió en LinkedIn, a comienzos de 2026, el relato de una candidata que respondió así: "el modelo de pronóstico marcaba demanda estable para el próximo trimestre. Yo sabía que teníamos un calendario de promociones con el que el modelo nunca había sido entrenado, así que lo señalé antes de que se cerrara el plan." Según él, fueron los quince segundos más limpios de toda la entrevista — sin rodeos, sin hablar mal de la IA, solo una brecha específica que la candidata detectó y cerró.

La mayoría de los candidatos no tiene esa respuesta lista. O nunca lo han pensado, o recurren a algo genérico como "una vez no estuve de acuerdo con mi jefe" con la esperanza de que el entrevistador no note que en realidad no tiene nada que ver con IA.

Por qué los entrevistadores están preguntando esto ahora

La lógica es evidente en cuanto la ves desde el otro lado de la mesa. Los sistemas de recomendación con IA ya están integrados en el filtrado de candidatos, el pronóstico de ventas, la triage de incidentes, la revisión de código y la programación de turnos — tomando decisiones en silencio que antes requerían que una persona pensara. El Barómetro Global de Empleos en IA 2026 de PwC documenta ese cambio desde el lado de los empleadores: a medida que la IA absorbe más trabajo de ejecución, las habilidades por las que las empresas pagan más se mueven hacia el criterio y el pensamiento crítico, no hacia la fluidez técnica con IA.

Hay una falla específica detrás de esto. La investigación revisada por pares sobre sesgo de automatización en la selección de personal con IA muestra que, una vez que las personas empiezan a depender de una recomendación algorítmica, tienden a seguirla incluso cuando su propio criterio habría detectado el error — la comodidad del "el sistema lo dijo" erosiona en silencio el hábito de verificar. Los reguladores se han tomado esto lo bastante en serio como para plasmarlo en política: la guía de la UE sobre supervisión humana de decisiones automatizadas exige explícitamente una revisión humana real, no un sello de aprobación automático, precisamente porque eso es lo que ocurre por defecto.

En conjunto, los entrevistadores hacen esta pregunta porque han aprendido que "sentirse cómodo usando herramientas de IA" y "estar dispuesto a contradecir a la IA cuando importa" son dos habilidades distintas, y solo una de ellas protege a la empresa de una mala decisión influida por IA.

La habilidad real que evalúa esta pregunta

Buena parte de los consejos que circulan tratan esto como una pregunta estándar de "cuéntame de un desacuerdo" cambiando al jefe por la IA. Eso pasa por alto la parte más difícil y más relevante para la entrevista: distinguir entre una recomendación de IA obviamente incorrecta y una sutilmente incorrecta.

Obviamente incorrecta es el caso fácil: la IA inventa una fuente, cita un número que contradice algo que ya sabías, o produce una salida que ni siquiera pasa una prueba de sentido común básica. Cualquiera que esté prestando atención termina detectándolo.

Sutilmente incorrecta es el caso que los entrevistadores realmente quieren escuchar: la recomendación parece internamente coherente, encaja con el patrón de todo lo que la herramienta te ha dicho antes, y pasaría sin problema si no fuera porque tú tenías un contexto que el modelo no tenía. Esta es la habilidad más difícil y más valiosa, porque requiere notar que algo no cuadra antes de tener pruebas, y verificarlo en vez de dejarlo pasar. Si tu ejemplo solo cubre el caso obvio, es una historia decente, pero no es la respuesta más sólida posible para esta pregunta.

Cómo estructurar tu respuesta

Usa el método STAR, pero carga el paso de "acción" con el criterio real que aplicaste, no solo con "no estuve de acuerdo":

1. Situación — ¿Cuál era la herramienta de IA y en qué decisión entraba su salida? Sé específico sobre la función de la herramienta (modelo de pronóstico, revisor de código, filtro de currículums, asistente de respuesta a incidentes), aunque no menciones la marca.
2. Tarea — ¿Qué te hizo detenerte? Nombra el contexto exacto al que la IA no tenía acceso. Esta parte es la que prueba que el desacuerdo fue criterio, no una corazonada.
3. Acción — ¿Qué hiciste en realidad para verificarlo, y a quién se lo comunicaste? "Revisé la fuente primaria" o "lo crucé con el calendario de promociones" es concreto. "Sentí que estaba mal" no lo es.
4. Resultado — Qué pasó, incluyendo si después se demostró que tenías razón o que estabas equivocado. Cierra con lo que cambió en cómo usas esa herramienta de ahí en adelante. Esa última frase es lo que separa "detecté un error una vez" de "tengo un hábito duradero".

Cuatro escenarios, si te falta material

Elige el más cercano a tu trabajo real y reconstrúyelo con tus propios detalles:

• Respuesta a incidentes. Un análisis de causa raíz generado por IA apuntaba a una dependencia de servicio que sonaba plausible. Tu propia revisión de logs encontró la causa real: una condición de carrera en el momento del despliegue que el reconocimiento de patrones no captó.
• Pronóstico de ventas o demanda. Un modelo de pronóstico entrenado con datos históricos predijo demanda estable. Tú sabías de una promoción o un evento de mercado próximo que el modelo no tenía forma de ver, y señalaste la brecha antes de que se cerrara el plan.
• Revisión de código o refactorización. Un asistente de código con IA propuso una refactorización "más limpia" que pasó las pruebas locales, pero introdujo un bug sutil de concurrencia que solo era visible si rastreabas a mano las rutas de acceso simultáneo.
• Contratación o filtrado de currículums. Una herramienta de filtrado con IA bajó el puntaje de un candidato con una trayectoria profesional no lineal — un vacío, un giro de carrera, una formación no tradicional. Reconociste el sesgo de reconocimiento de patrones y avanzaste al candidato manualmente, quien luego tuvo una buena entrevista.

Ninguno de estos casos necesita ser dramático. Una brecha de pronóstico que detectaste en diez minutos sirve tanto como un incidente de producción, siempre que puedas explicar qué fue lo que realmente verificaste.

La trampa: que no suene anti-IA

La forma más común en que los candidatos arruinan esta pregunta es convertirla en un referéndum sobre los defectos de la IA. Una explicación larga sobre por qué ocurren las alucinaciones, o por qué los modelos de pronóstico tienen problemas con eventos inéditos, responde una pregunta distinta a la que se hizo. El entrevistador quiere escuchar sobre tu comportamiento, no sobre tu conocimiento de la tecnología subyacente.

El enfoque que funciona es "confianza selectiva con verificación", no "escepticismo saludable hacia la IA". Algo que usas a diario y en lo que generalmente confías, pero que sabes cuándo y cómo revisar, transmite un criterio mucho más sólido que algo que tratas como poco confiable en general. Si tu historia da a entender que revisas dos veces todo lo que la IA te dice sin importar el riesgo, eso tampoco es criterio — es solo lentitud. Las respuestas más sólidas dejan claro que sabías que esa recomendación en particular, en ese contexto en particular valía la pena revisar dos veces, y que la mayoría de las demás no.

Esta es una pregunta más específica y más personal que "¿cómo usas la IA en tu trabajo?", que evalúa sobre todo fluidez, o "¿cómo trabajas con agentes de IA?", que evalúa el criterio de delegación en tareas semiautónomas. También es un ángulo distinto al de "cuéntame de una vez que una herramienta de IA cometió un error", que trata sobre detectar un error después del hecho, no sobre discrepar de una recomendación antes de actuar según ella. Si te estás preparando para una de estas, prepárate también para las otras — los entrevistadores cada vez preguntan más de una de este grupo en la misma ronda.

El mismo instinto importa en vivo, no solo al contarlo después

El hábito que evalúa esta pregunta — detenerte en una sugerencia que suena plausible el tiempo suficiente para verificar si de verdad encaja con tu situación — no solo sirve para la historia que cuentas sobre tu último trabajo. Es el mismo instinto que necesitas en vivo, incluso durante la propia entrevista, si estás usando algún tipo de ayuda en tiempo real para resolver una pregunta difícil. Una sugerencia que acierta el 80% para una versión genérica de la pregunta, pero falla en un detalle específico de tu experiencia real, es exactamente el tipo de recomendación "sutilmente incorrecta" del que trata esta pregunta.

AceRound está construido alrededor de esa distinción. Muestra un punto de partida estructurado durante una entrevista en vivo, no un guion para repetir al pie de la letra, precisamente porque una sugerencia que no has verificado contra tu propia experiencia es el mismo tipo de falla que esta pregunta de entrevista busca detectar. Vale la pena decirlo sin rodeos: eso incluye las propias sugerencias de AceRound. Tratar cualquier salida de IA — incluida la nuestra — como un borrador inicial que se verifica contra lo que realmente sabes, en vez de una respuesta final para repetir, es exactamente el músculo que esta pregunta está evaluando.

FAQ

¿Esta ya es una pregunta común de entrevista, o todavía es poco frecuente? Se está expandiendo, pero de forma desigual. Aparece más en roles donde una herramienta de IA ya hace una recomendación real que alguien tiene que ejecutar: pronóstico de ventas, respuesta a incidentes, filtrado de candidatos, revisión de código, programación de turnos. Si tu trabajo toca cualquier salida generada por IA que alimenta una decisión, prepara una respuesta. Los roles puramente de ejecución, sin esa capa de decisión asistida por IA, todavía la ven con menos frecuencia.

¿Qué pasa si la recomendación de la IA con la que no estuve de acuerdo resultó ser correcta? Esa también es una historia que sirve, y honestamente más interesante si la cuentas bien. La pregunta no evalúa si siempre tienes la razón, evalúa si verificas antes de actuar. Describe por qué la recomendación te pareció incorrecta, qué hiciste para verificarla y qué aprendiste cuando la verificación mostró que la IA tenía razón. Cerrar con "ajusté cuánto confío en esa herramienta específica, en ese contexto específico" es un buen cierre.

¿No estar de acuerdo con la IA no me va a hacer ver como alguien anti-IA o difícil de trabajar? Solo si lo cuentas mal. El error no está en discrepar, está en cómo lo planteas. Centra la historia en evidencia y proceso, no en desconfianza hacia la IA como categoría. "Lo revisé porque el riesgo era lo bastante alto como para revisarlo" suena completamente distinto a "la verdad no confío mucho en lo que dice la IA". Lo primero es criterio. Lo segundo es una señal de alerta.

Nunca de verdad he ido en contra de una recomendación de la IA. ¿Qué hago? Busca con más cuidado antes de asumir que eso es cierto. La mayoría de las personas que usan alguna herramienta con IA de forma regular han corregido, ignorado o vuelto a revisar una respuesta en algún momento, aunque sea algo pequeño como no enviar tal cual un correo redactado por la IA. Si de verdad no encuentras ningún caso, vale la pena notarlo antes de la entrevista, no durante ella — normalmente significa que has estado tratando la salida de la IA como definitiva en vez de como un borrador.

¿En qué se diferencia esto de "cuéntame de una vez que una herramienta de IA cometió un error"? Están relacionadas, pero no son lo mismo. Esa pregunta es sobre detectar un error después de que ocurrió. Esta es sobre discrepar de una recomendación antes de actuar sobre ella, a veces cuando ni siquiera puedes probar todavía que está mal, solo que no encaja con un contexto que la IA no tenía. Evalúa criterio bajo incertidumbre, no solo detección de errores.

¿Debería mencionar el nombre de una herramienta de IA específica en mi respuesta? Solo si es verdad y relevante. Nombrar la herramienta real (un sistema de puntuación de currículums, un modelo de pronóstico, un asistente de código) hace la historia más creíble que un vago "una IA me dijo". Si nombrarla corre el riesgo de sonar como que hablas mal de la tecnología de tu antiguo empleador, describe la función de la herramienta en vez de su marca.

---

Autor: Alex Chen. Consultor de carrera y ex reclutador de tecnología. Pasó 5 años del lado de la contratación antes de cambiar a ayudar a los candidatos. Escribe sobre la dinámica real de las entrevistas, no sobre teoría de manual.