Dos presentaciones llegan al mismo escritorio. Misma información, mismo trimestre, misma solicitud. Una fue creada por alguien que pasó cuatro horas luchando con los números para convertirlos en una historia. La otra tardó noventa segundos en generarse desde una hoja de cálculo con una herramienta de IA. ¿Cuál logra que el público diga "sí"?

La respuesta honesta es: depende de qué parte de "argumento" estés hablando. Y esa distinción —entre estructurar información y argumentar realmente algo— es donde la mayoría de las comparaciones entre IA y creación de presentaciones humanas fallan.

Un argumento es una afirmación, no un diseño

Antes de comparar quién lo hace mejor, es importante ser preciso sobre qué es realmente un argumento en una presentación. No son los puntos a viñetas. No son las transiciones. Un argumento real es una cadena: una afirmación, la evidencia que la respalda y una secuencia donde cada diapositiva responde a la pregunta que planteó la anterior.

Esto es exactamente la estructura detrás de cómo McKinsey construye sus argumentos en diapositivas —títulos que expresan una conclusión en lugar de etiquetar un tema, probados por orden lógico antes de tocar cualquier diseño. Aquí es útil porque separa dos habilidades muy distintas: organizar lo que ya sabes y decidir qué realmente merece ser afirmado.

La IA es notablemente buena con lo primero. Es menos sólida en lo segundo de lo que la mayoría asume.

Donde la IA realmente destaca

Entrega una herramienta de IA una hoja de cálculo desordenada y un objetivo aproximado, y producirá una secuencia de diapositivas plausible más rápido que la mayoría de los humanos pueden abrir un archivo en blanco. Es buena para detectar patrones de estructura: problema-solución-prueba, situación-complicación-resolución, construcción cronológica. No se cansa en la diapositiva catorce y empieza a amontonar cuatro gráficos en una sola porque "teníamos los datos".

La adopción respalda esto a gran escala. La Encuesta de Gen Z y Millennials de Deloitte de 2025 encontró que la mayoría —57% de los encuestados de Gen Z y 56% de los Millennials— ya usan IA generativa para tareas laborales que incluyen creación de contenido, diseño y diseño de presentaciones. Esto ya no es un hábito marginal; se acerca más a ser el primer intento por defecto.

Una cosa que concedería sin dudar: la IA es un mejor organizador de borradores iniciales de lo que la mayoría le da crédito. Rara vez produce el desorden típico de diapositivas con tres temas por slide que suelen hacer los humanos apresurados.

Donde deja de ser realmente un argumento

Aquí está el aspecto que no aparece en las comparaciones "IA vs humano" que solo miran la velocidad. Una secuencia de afirmaciones bien organizada no es lo mismo que una *verdadera* secuencia de afirmaciones —y la IA no tiene un método confiable para distinguir entre una conclusión que realmente respalda el dato y una que solo suena como si lo hiciera.

Pide a una herramienta de IA que construya una historia de crecimiento a partir de una hoja de cálculo, y escribirá con confianza "momentum fuerte en el Q3" incluso cuando el número subyacente sea un artefacto de redondeo o un contrato de renovación única. Lo escribe con el mismo tono de certeza, ya sea que la evidencia sea sólida o delgada, porque el tono no es algo que realmente esté razonando —es un ajuste estilístico por defecto. Un humano hábil construyendo el mismo deck debería (o al menos debería) detenerse y preguntarse si esa afirmación realmente está justificada.

Es el mismo modo de falla que aparece en *pitch decks*, donde las diapositivas de tracción son donde los decks de fundadores se vuelven deshonestos —métricas vanidosas disfrazadas para parecer impulso empresarial. Una IA redactando esa diapositiva no detectará la deshonestidad por sí misma. Simplemente organiza los números que recibe en la forma de una afirmación confiada, porque es el patrón en el que fue entrenada.

Los diagramas hacen visible la brecha más rápido que las palabras

Donde esto se vuelve realmente evidente más rápido no es en el texto —es en los diagramas que generan las herramientas de IA para "soportar" un argumento. Un organigrama con cajas sin etiquetar, una flecha que significa tres cosas diferentes dependiendo de qué dos cajas conecte, un diagrama de proceso que intenta codificar también el tamaño del presupuesto a través del ancho de las cajas. Cada uno de estos es una versión de un error en los diagramas que silenciosamente rompe la comprensión del público en lugar de un visual obviamente roto —precisamente por eso es fácil enviarlos sin darse cuenta.

No llamaría esto un error específico de la IA exactamente. Los humanos apresurados cometen los mismos errores bajo presión. Pero la IA los produce a un volumen y velocidad que hacen que la revisión —alguien aplique realmente la prueba de los ocho segundos a cada diagrama— sea más necesaria, no menos.

¿Quién gana realmente?

Ninguno, de manera limpia. El marco honesto es más bien: la IA gana la carrera de estructuración y pierde la carrera de juicio de evidencia, y un argumento de presentación necesita ambas para funcionar realmente con el público.

Donde he llegado tras ver a ambos lados fallar de maneras distintas: deja que la IA haga el primer borrador de organización —realmente es más rápida que la mayoría de las personas al convertir una hoja de cálculo en una secuencia de afirmaciones—. Luego haz una revisión humana cuyo único trabajo sea adversarial: para cada título de afirmación, pregúntate: "¿la evidencia en esta diapositiva realmente respalda esta afirmación o solo suena como si lo hiciera?". Esa única pregunta atrapa la mayoría de los errores de los argumentos construidos por IA, y es una pregunta que la IA actualmente no está posicionada para hacerse a sí misma.

La próxima vez que te entreguen un deck generado por IA para revisar, salta los tipos de letra y el diseño primero. Lee solo los títulos de las diapositivas en orden, como probarías un deck de McKinsey, y pregúntate cuál de ellos estarías realmente dispuesto a defender en voz alta.