L'article Strategic Decision-Making, Prediction Machines, and Knightian Uncertainty: What are the (Empirical) Challenges? (publicat el 2026 a la revista Journal of Management Scientific Reports pels professors Nicolai J. Foss i Paul Hünermund) analitza la intersecció entre dos dels desenvolupaments més rellevants en la direcció estratègica: la incertesa de Knight (KU) i la intel·ligència artificial (IA).
La investigació parteix de la constatació que l'efectivitat de la IA com a eina de suport a la presa de decisions estratègiques depèn directament del tipus específic d'incertesa al qual s'enfronti la direcció de l'empresa. Els autors desglossen la incertesa de Knight en quatre nivells conceptuals, proposen un marc d'alineació (matching) entre aquests nivells i diferents paradigmes d'IA, i dissenyen una agenda d'investigació empírica per avaluar-ne l'impacte en la qualitat de les decisions.
1. Els quatre nivells de la Incertesa de Knight (KU)
- Els autors assenyalen que en la literatura d'estratègia el concepte de KU s'ha utilitzat sovint de manera vaga o conflada. Per superar aquesta ambigüitat, proposen una taxonomia de quatre nivells d'incertesa, ordenats de menor a major radicalitat [10–15]:
KU I: Desconeixement de les probabilitats objectives (remédiable uncertainty)
El prenador de decisions no coneix la distribució de probabilitat objectiva dels esdeveniments o resultats futurs a causa d'una manca d'informació inicial. Tanmateix, aquesta informació es pot obtenir o apropar recollint dades i experimentant, transformant la incertesa inicial en un risc calculable.-
KU II: Probabilitats subjectives (Enfocament baiesià)
En absència de dades de freqüència objectiva, els agents assignen distribucions de probabilitat subjectiva (priors) o conjunts de probabilitats (credal sets). Aquestes creences inicials s'actualitzen posteriorment mitjançant l'aprenentatge baiesià a mesura que s'obté nova informació. -
KU III: Ambigüitat i inestabilitat de models
Existeix incertesa sobre quina distribució de probabilitat s'aplica exactament o quin és l'interval de probabilitats adequat. Acostuma a produir-se quan hi ha canvis estructurals o de distribució en l'entorn (distribution shifts), fent que les dades del passat deixin de ser representatives i impedint assignar una única probabilitat subjectiva de manera racional. -
KU IV: Ignorància o desconeixement (Unknown Unknowns / Unawareness)
Representa la forma més radical d'incertesa, en la qual el prenador de decisions és incapaç de caracteritzar o definir completament l'espai d'estats futurs. Inclou el desconeixement absolut (sheer ignorance) de certes opcions o conseqüències, de manera que la materialització de novetats genera sorpreses.
2. Matriu d'alineació: Emparellament entre KU i tecnologies d'IA
L'article demostra que diferents formes de KU requereixen el suport de diferents eines d'IA:
- Alineació per a KU I → Màquines de predicció (Prediction Machines / Aprenentatge Supervisat)
- Els models d'aprenentatge supervisat analitzen grans volums de dades històriques per identificar patrons i assignar probabilitats a esdeveniments futurs. Són molt eficaços quan la incertesa es deu a la manca de processament de dades existents.
- Alineació per a KU II i KU III → IA Causal (Causal AI) i aprenentatge per transferència
- Quan l'entorn canvia (KU III), els models predictius tradicionals fallen perquè les relacions correlacionals del passat es trenquen. La IA Causal (models causals estructurals, inferència contrafàctica) ofereix estructures estables gràcies al principi d'autonomia de les relacions causals.
- Eines associades: Proves A/B (experimentació digital), aprenentatge per reforç (Reinforcement Learning) i eines de descobriment causal (causal discovery) per avaluar intervencions i adaptar el coneixement a nous contextos (transportability).
- Alineació per a KU IV → IA Generativa (Generative AI) i simulació
- En situacions de desconeixement radical (KU IV), la IA no pot predir el futur en sentit determinista. Tanmateix, els grans models de llenguatge (LLM) actuen com a amplificadors de la imaginació estratègica. En haver estat entrenats amb grans volums de dades que inclouen casos hipotètics i contrafàctics, ajuden a generar escenaris plausibles, detectar "sisgles negres" potencials i transformar "desconeguts desconeguts" en hipòtesis formulables.
3. Agenda d'investigació empírica: Els tres grans desafiaments
Els autors assenyalen que, per validar teòricament i pràcticament aquests beneficis, cal superar tres reptes metodològics:
1. Mesurar la Incertesa de Knight (Challenge I)
- El problema: A diferència del risc —que es pot quantificar amb mètriques estàndard com la desviació típica o la variància—, la KU es caracteritza per la manca de probabilitats ben definides o per la incapacitat de definir l'espai d'estats futurs. Els indicadors tradicionals (com la dispersió de previsions d'experts o els índexs d'incertesa política) s'utilitzen com a proxies indirectes, però no aconsegueixen diferenciar entre els diferents nivells de KU (KU I a KU IV).
- La solució empírica: Proposen construir instruments d'enquesta i mesura multidimensionals basats en tres eixos de classificació:
- Assignabilitat de probabilitats: Avaluar si els prenadors de decisions poden assignar probabilitats puntuals, intervals o si consideren que no és possible assignar-ne cap.
- Completitud de l'espai d'estats: Identificar si la direcció creu que coneix tots els escenaris possibles o si admet l'existència de contingències desconegudes (unknown unknowns).
- Estabilitat del model: Mesurar si la estructura causal entre accions i resultats es manté constant o si pateix ruptures estructurals.
2. Examinar l'ajust (Matching) entre KU i els paradigmes d'IA (Challenge II)
- El problema: Les grans enquestes d'innovació (com la Community Innovation Survey de la UE) recullen dades sobre quines tecnologies d'IA adopten les empreses, però no mesuren per a quina finalitat ni sota quin paradigma s'utilitzen. Un mateix algorisme es pot utilitzar per predir el passat (IA predictiva), per dissenyar experiments i avaluar intervencions (IA causal) o per generar escenaris i simular futurs alternatius (IA generativa).
- La solució empírica:
- Ampliar els mòduls d'enquesta per capturar la finalitat epistèmica de l'ús de la IA i relacionar-la amb el tipus de KU que afronta l'empresa.
- Combinar aquestes dades amb traces digitals (com l'ús d'eines d'A/B testing en línia), experiments de vinyetes i dissenys de mètodes mixtos (enquestes longitudinals i estudis de cas qualitatius) per avaluar si l'ajust entre la tecnologia i el nivell d'incertesa millora realment el rendiment.
3. Mesurar la qualitat de les decisions sota KU (Challenge III)
- El problema: Avaluar la qualitat d'una decisió estratègica només a partir dels seus resultats financers ex post (com els beneficis o la supervivència) és altament imperfecte en entorns d'alta incertesa, ja que la sort o els xocs externs imprevistos poden distorsionar el resultat.
- La solució empírica: Desplaçar el focus des dels resultats cap a la qualitat procedimental (procedural quality) i l'ajust epistèmic del procés de decisió:
- Indicadors procedimentals: Mesurar el rigor en la formulació d'hipòtesis, la freqüència d'experiments controlats, la velocitat de pivotatge davant evidència desconfirmatòria i la diversitat d'escenaris considerats.
- Adaptabilitat en KU IV: En situacions de desconeixement radical (KU IV), la qualitat no s'avalua per l'optimització d'una opció inicial, sinó per la capacitat de descobriment del procés (la velocitat per detectar contingències no previstes i adaptar-s'hi preservant la reversibilitat).
