No capacites a toda la empresa como si fuera un equipo de IA
Un marco práctico para dejar atrás los cursos uniformes de IA y desarrollar capacidades observables según las tareas, decisiones y riesgos de cada equipo.
Cuando una empresa decide ‘capacitar en inteligencia artificial’, suele aparecer una solución cómoda: el mismo curso para todos. Una introducción a los modelos, una colección de prompts y una demostración de herramientas. El programa puede aumentar la familiaridad, pero confunde tres necesidades distintas: construir sistemas de IA, trabajar con ellos y rediseñar el trabajo que cambia a su alrededor.
Esa confusión importa porque conduce a dos errores opuestos. El primero es convertir a cada empleado en un aspirante a especialista técnico, aunque su trabajo no exija programar ni entrenar modelos. El segundo es reducir la preparación a saber pedirle cosas a un asistente, como si usar una interfaz fuera suficiente para evaluar resultados, proteger información, corregir errores y tomar una decisión responsable.
La evidencia reciente apunta hacia una estrategia más precisa: desarrollar capacidades por tarea. No se trata de elegir entre habilidades técnicas y humanas. Se trata de combinar las que cada flujo de trabajo necesita y comprobar que aparecen en la práctica.
La especialización avanzada es importante, pero no es la necesidad mayoritaria
Una síntesis de la OCDE sobre IA y habilidades señala que menos del 1% de los trabajadores necesitaría competencias avanzadas específicas de IA, como programación o desarrollo de modelos. Para una población mucho mayor aumentan la importancia de las capacidades digitales y de usar, analizar e interpretar datos; junto a ellas siguen siendo relevantes la gestión, la solución de problemas, la creatividad y la innovación.
La cifra no significa que América Latina deba invertir menos en especialistas. Sin ingeniería, datos, seguridad y gobernanza no hay sistemas confiables. Significa que formar especialistas y preparar al resto de la organización son problemas diferentes. Medirlos con la misma asistencia a un curso oculta si cada grupo puede ejecutar su parte.
La OIT llega a una conclusión compatible desde el análisis de vacantes: un foco estrecho en capacidades técnicas no basta. En los países estudiados, los empleadores buscan perfiles que combinan competencias digitales o técnicas con pensamiento crítico, comunicación, trabajo en equipo y otras capacidades socioemocionales. Esos perfiles redondeados se asocian con mejores características del empleo, aunque la relación varía por país, ocupación y combinación.
La realidad regional exige mirar tareas, no solo ocupaciones tecnológicas
El mercado latinoamericano combina velocidad tecnológica y una estructura laboral mucho más amplia que el sector de software. Un análisis del BID revisó más de 6,2 millones de vacantes digitales en 15 países entre 2022 y 2025. Encontró un rápido aumento de vacantes relacionadas con IA durante 2025, pero también una demanda dominada por ocupaciones administrativas, comerciales y de servicios que requieren niveles medios o considerables de preparación.
Las vacantes en línea no representan todo el empleo de la región: dejan fuera parte de la informalidad, de las contrataciones locales y de los trabajos que no pasan por plataformas digitales. Aun con esa limitación, el conjunto ayuda a formular una pregunta mejor. En vez de ‘¿cuántas personas deben aprender IA?’, conviene preguntar ‘¿qué tareas están cambiando, quién responde por ellas y qué capacidades necesita para hacerlas mejor?’.
Una persona de ventas puede necesitar verificar afirmaciones generadas, reconocer datos sensibles y convertir un borrador en una conversación útil. Un analista puede necesitar formular hipótesis, revisar trazabilidad y detectar cuándo un resultado contradice el contexto. Un líder puede necesitar decidir qué se delega, qué se revisa y quién asume la responsabilidad. Ninguno de esos repertorios equivale a desarrollar un modelo, pero tampoco se reduce a escribir un prompt.
Tres capas de capacidad, una sola tarea real
Un diseño de aprendizaje más útil separa tres capas y después vuelve a unirlas dentro del trabajo.
1. Especialización. Incluye ingeniería, datos, evaluación, seguridad, integración y gobernanza. La profundidad depende del sistema y del riesgo. Quien construye o administra la tecnología necesita estándares que no son razonables para toda la plantilla.
2. Alfabetización operativa. Incluye entender qué puede y qué no puede hacer la herramienta, proteger información, dar contexto suficiente, iterar, contrastar fuentes y reconocer incertidumbre. Esta capa es amplia, pero debe adaptarse a las decisiones de cada función.
3. Rediseño y juicio. Incluye descomponer el flujo de trabajo, elegir qué automatizar, definir puntos de control, anticipar efectos sobre clientes y colegas, y conservar responsabilidad humana donde el costo del error lo exige.
Las tres capas se encuentran en una unidad concreta: una tarea con entrada, decisión, resultado y consecuencias. Allí puede observarse si la capacitación cambió algo. ¿La persona detecta una fuente débil? ¿Escala un caso sensible? ¿Reduce tiempo sin aumentar retrabajo? ¿Explica la decisión? ¿Identifica cuándo no debe usar la herramienta?
Un protocolo uniforme también puede fallar
Capacitar por tareas no significa imponer una receta rígida. Un experimento de campo de Microsoft Research con 388 empleados de una empresa minorista comparó intervenciones alrededor del mismo acceso a IA. Un protocolo conductual que exigía uso conjunto dentro de parejas se asoció con menor calidad documental y una producción considerablemente menor que el uso no estructurado. Una intervención cognitiva, que presentaba la IA como socio de pensamiento, se asoció con mayor calidad individual en la parte alta de la distribución.
Los autores son explícitos sobre los límites: el diseño tuvo una posible confusión entre sesiones de mañana y tarde, atrición diferencial y sensibilidad de la evaluación automática a la longitud. No es una licencia para declarar que los protocolos son inútiles. Sí es una advertencia contra convertir una buena intención en una obligación universal sin probarla en el contexto real.
Otra señal viene del AI Fluency Index de Anthropic. En una muestra de 9.830 conversaciones, la iteración y el refinamiento se asociaron con más conductas observables de fluidez; cuando la IA producía artefactos, los usuarios cuestionaban menos su razonamiento e identificaban menos contexto faltante. Es evidencia del comportamiento dentro de un producto, generada por su proveedor y mediante clasificadores propios. Conviene tratarla como una pista para diseñar prácticas, no como causalidad demostrada.
Cómo convertir un curso en un sistema de capacidades
Antes de comprar contenidos o fijar horas de formación, un equipo puede recorrer cinco preguntas.
- ¿Qué tarea cambia? Describa una entrada, una decisión y un resultado. ‘Usar IA en marketing’ es demasiado amplio; ‘convertir entrevistas aprobadas en tres borradores de campaña sin inventar testimonios’ permite diseñar controles.
- ¿Qué puede salir mal? Liste errores factuales, exposición de datos, sesgos, daño al cliente, pérdida de criterio y dependencia. El riesgo determina la profundidad y la revisión.
- ¿Qué repertorio se observa? Separe especialización, alfabetización operativa y juicio. Escriba conductas: verificar una cifra, declarar incertidumbre, rechazar una fuente, documentar una decisión.
- ¿Dónde se practica? Use casos cercanos al trabajo, con información incompleta y restricciones reales. Varíe una condición para comprobar adaptación, no memorización.
- ¿Qué evidencia demuestra transferencia? Combine muestras de trabajo, calidad, tiempo, retrabajo, incidentes, escalamiento correcto y explicación de decisiones. La finalización del curso solo prueba asistencia.
Este enfoque también ayuda a distribuir la inversión. Los especialistas reciben profundidad técnica; las funciones expuestas reciben alfabetización y práctica específica; los líderes aprenden a rediseñar flujos y responsabilidad. El contenido común puede existir, pero deja de ser la totalidad del programa.
La capacidad se prueba donde la herramienta deja de ser novedad
La promesa de un curso uniforme es administrativa: una compra, un calendario, una tasa de finalización. La promesa de un sistema por tareas es operativa: personas distintas combinan capacidades distintas para producir resultados confiables.
La segunda opción exige más trabajo. Obliga a mapear decisiones, observar conducta y reconocer que el mismo protocolo puede ayudar a un equipo y estorbar a otro. También evita una inversión más costosa: llenar la organización de vocabulario sobre IA sin cambiar la calidad de una sola decisión.
El primer paso no es escoger una plataforma educativa. Es elegir una tarea relevante, identificar sus riesgos y describir qué tendría que hacer una persona para resolverla mejor con IA que sin ella. Si esa conducta puede observarse, practicarse y revisarse, ya existe una capacidad que vale la pena desarrollar.
