Harvard Business School prueba avatares de IA para dar feedback en un programa de emprendimiento
Índice de contenidos
Harvard Business School está incorporando avatares de inteligencia artificial a HBS Foundry, un programa de ocho semanas para emprendedores con un precio de 699 dólares. Las sesiones semanales siguen contando con docentes humanos, pero los avatares creados por HeyGen proporcionan comentarios durante ejercicios como presentaciones de proyectos y reuniones de consejo. Es un experimento relevante porque intenta convertir una parte de la tutoría, normalmente escasa y cara, en una interacción disponible bajo demanda.
Claves de la noticia
- El programa combina clases en directo con avatares que dan feedback en ejercicios prácticos.
- Los avatares fueron creados por HeyGen y se incorporaron tras una prueba inicial con estudiantes.
- La utilidad dependerá de la calidad de las respuestas, la transparencia sobre sus límites y la supervisión humana.
Qué se conoce
TechCrunch identifica el programa como HBS Foundry, con una duración de ocho semanas y un precio de 699 dólares. La directora del proyecto, Katharina Rings, explicó que la idea inicial se parecía más a un chatbot, pero los participantes de una prueba pidieron una experiencia más guiada. Los avatares se emplean para comentar prácticas de pitch y de reuniones de consejo.
La información disponible permite describir el anuncio o hallazgo, pero no convertir sus objetivos en resultados definitivos. Las compañías, investigadores y organismos pueden comunicar métricas con metodologías distintas; por eso la comparación útil exige separar los datos atribuidos a cada fuente de las consecuencias que todavía deben comprobarse.
El contexto técnico y de mercado
Un avatar puede multiplicar la disponibilidad de una explicación o de una simulación, pero no convierte automáticamente una respuesta generada en asesoramiento fiable, adaptado o responsable.
La tecnología en cuestión se apoya en infraestructuras, decisiones de producto y normas que no cambian al mismo ritmo. Un avance en una capa puede resultar valioso y, a la vez, trasladar riesgos o costes a otra: integración, privacidad, mantenimiento, interoperabilidad, consumo, seguridad o atención a usuarios. Explicar esas dependencias evita presentar una función aislada como si resolviera todo el problema.
Por qué importa
Si este tipo de formato se extiende, las instituciones tendrán que aclarar qué parte de la formación es humana, cómo se evalúan los errores del sistema y qué datos de los alumnos se usan para personalizar la interacción.
Los efectos prácticos dependerán de la adopción y de las condiciones de despliegue. Los usuarios necesitan información clara sobre disponibilidad, límites y controles; las organizaciones deben poder medir costes, fallos y responsabilidades; y los reguladores han de distinguir una demostración, una promesa comercial y una capacidad ya operativa. Esa separación protege tanto la innovación útil como la posibilidad de exigir correcciones cuando algo no funciona.
Límites que siguen abiertos
Los datos publicados no sustituyen pruebas independientes ni detallan todos los escenarios relevantes. Es normal que falten información sobre rendimiento sostenido, incidencias, cobertura geográfica, soporte, impacto económico o mecanismos de recurso. También conviene evitar extrapolar desde un programa, una versión o una muestra concreta a todos los usuarios y contextos.
La novedad debe interpretarse con especial cuidado cuando hay cifras procedentes de fuentes conocedoras de una operación, declaraciones de una empresa o resultados de laboratorio. Esas aportaciones pueden ser informativas, pero requieren contexto sobre incentivos, metodología y alcance. La mejor lectura es conservar los hechos verificables y marcar claramente las incógnitas en vez de rellenarlas con predicciones.
Cómo cambia la decisión de usuarios y organizaciones
Para quien usa el producto o está afectado por el sistema, la recomendación no es asumir que una función nueva equivale a una mejora automática. Conviene comprobar qué parte está disponible de verdad, qué permisos, datos, dispositivos o intermediarios requiere, y cómo se desactiva o corrige una decisión errónea. Para las organizaciones, la pregunta es similar: antes de incorporar una novedad a una operación crítica deben definir responsables, revisar dependencias técnicas, documentar las condiciones de uso y prever qué ocurre si el proveedor cambia el servicio. Este enfoque no frena la adopción; evita que una promesa de eficiencia se convierta en un coste oculto de integración, soporte o riesgo.
La evaluación también debe incluir a las personas que no han elegido directamente la tecnología. Una red de sensores, una plataforma de comercio, un avatar educativo o un permiso de sistema puede afectar a empleados, estudiantes, clientes y terceros. La transparencia útil explica qué se registra, quién puede acceder, cuánto dura la información y qué mecanismo permite impugnar o reparar un daño. Cuando el lanzamiento incluye una cifra llamativa, esa gobernanza suele ser más importante que el titular: determina si la capacidad puede mantenerse, auditarse y adaptarse cuando cambien los usos reales.
Qué conviene observar ahora
Será importante conocer resultados de aprendizaje, criterios de evaluación, mecanismos para corregir respuestas equivocadas y el papel real de los instructores cuando el alumno recibe una recomendación del avatar.
Las próximas actualizaciones deberían aportar documentación, criterios de acceso y resultados comparables. Si se publican cambios de producto, será útil comprobar regiones, dispositivos compatibles, precios y política de datos. Si la novedad afecta a seguridad o derechos, las señales más valiosas serán los controles verificables, los canales de aviso y la capacidad de una parte independiente para revisar el cumplimiento. Esa evidencia permitirá valorar el alcance real más allá del anuncio inicial.
