Capacitación en IA: por qué la tecnología no basta y qué separa a las empresas que ganan de las que se quedan atrás

Los números cuentan una historia incómoda. El 91% de las organizaciones ya utiliza IA de alguna forma, pero solo el 21% de sus trabajadores la incorpora realmente a su día a día. La adopción está en el logo, no en el flujo de trabajo.

La brecha se agranda cuando se mira la formación. El 77% de los empleadores dice tener planes para capacitar a sus equipos en IA. El 13% de los empleados afirma haber recibido esa capacitación. Sesenta y cuatro puntos de diferencia entre lo que las empresas creen que están haciendo y lo que sus equipos experimentan.

Capacitar en IA no es enseñar a escribir prompts. Ese es el error más común y también el más caro. Un curso de dos horas sobre ChatGPT deja al empleado con una herramienta nueva, pero sin criterio para decidir cuándo usarla, cuándo no, y cómo validar lo que produce.

La capacitación efectiva combina tres capas. La primera es técnica: entender qué hace la IA, cómo funciona un modelo de lenguaje, dónde acierta y dónde alucina. La segunda es aplicada: dominar los casos de uso propios del rol, con ejercicios reales del puesto. La tercera, la más olvidada, es crítica: aprender a cuestionar el output, contrastarlo con la propia experiencia y mantener el pensamiento activo.

Un dato reciente del MIT sacudió al sector: el 95% de los proyectos empresariales de IA no llega a generar valor medible. La primera reacción es asumir causas técnicas. Pero cuando se examinan los proyectos fallidos uno por uno, el patrón es otro.

Fracasan por razones humanas y organizacionales. Falta de apoyo directivo real. Equipos que no entienden qué problema resuelve la herramienta. Procesos que no se rediseñan alrededor de la nueva capacidad. Mandos medios que ven la IA como amenaza y bloquean su adopción.

Es como comprar un coche de carreras y quejarse de que no gana la Fórmula 1 porque el conductor nunca aprendió a pilotar. El motor está bien. El sistema alrededor del motor es el que falla.

Aquí aparece un concepto que apenas se discute en las salas de reuniones, pero que empieza a documentarse en la investigación académica: la deuda cognitiva. Cuando una persona delega sistemáticamente el pensamiento en la IA, su cerebro se atrofia en las tareas que ha externalizado.

Un estudio reciente encontró que el 83% de los estudiantes que redactaron ensayos con ChatGPT no fue capaz de recordar los puntos clave de sus propios textos poco después. Habían firmado un trabajo que su mente nunca procesó. Trasladado al mundo corporativo, esto se traduce en analistas que no entienden los informes que entregan, en directivos que toman decisiones sobre resúmenes que no leyeron.

La capacitación uniforme es el segundo gran error, después de no capacitar en absoluto. Un CFO no necesita aprender lo mismo que un desarrollador, y un vendedor no necesita lo mismo que un director de operaciones.

Formar a los tres niveles con el mismo curso equivale a dar la misma clase a un cirujano, a una enfermera y al director del hospital. Todos aprenden algo. Nadie aprende lo que necesita.

La buena noticia es que no hace falta un plan a dos años para empezar a mover la aguja. Un programa piloto bien diseñado cabe en cuatro semanas.

1. Semana 1: auditoría

   Mapear qué herramientas ya se están usando, qué procesos consumen más tiempo, qué perfiles están más listos y cuáles necesitan más acompañamiento. Sin este diagnóstico, se capacita a ciegas.

2. Semana 2: entrenamiento

   Formación por perfiles, con contenidos adaptados y ejercicios sobre casos reales de la empresa. Sesiones cortas, prácticas, con acompañamiento posterior.

3. Semana 3: piloto

   Un caso de uso concreto, con un equipo definido, un objetivo medible y un plazo. No cinco pilotos a medias. Uno bien hecho.

4. Semana 4: medición

   Comparar resultados con la línea base, documentar aprendizajes, decidir qué escalar y qué descartar. Sin métricas, la capacitación se convierte en anécdota.

Este ciclo se repite. La IA no se aprende en un curso; se aprende en iteraciones.

Los datos abstractos convencen a pocos. Los casos concretos, a más gente. Una empresa tecnológica latinoamericana con 500 ingenieros diseñó un programa de capacitación estructurado y reportó un 30% más de proyectos ganados en licitaciones, gracias a que sus equipos podían responder a peticiones más complejas en menos tiempo.

Un área de marketing de una compañía de consumo redujo un 40% los pasos necesarios para lanzar una campaña, sin sacrificar calidad, después de rediseñar el flujo con IA como copiloto en cada etapa. No se trató de sustituir personas, sino de eliminar tareas repetitivas para dejarlas concentrarse en lo estratégico.

Y en MillMind, procesos de análisis que antes tomaban entre 30 y 60 minutos por caso se redujeron a menos de un minuto. Multiplique esa mejora por los cientos de casos diarios y el impacto en capacidad instalada es difícil de ignorar.

Lo que no se mide, se abandona. Y en IA, la medición debe tener tres capas.

Un programa que solo mide la primera capa produce dashboards bonitos y directivos escépticos. Un programa que integra las tres construye legitimidad y justifica la siguiente ronda de inversión.

La diferencia entre tener IA y ser una empresa impulsada por IA no está en las licencias ni en los modelos. Está en si la organización ha convertido el uso inteligente de estas herramientas en un músculo compartido, entrenado y medido.

Eso exige tres compromisos sostenidos. Uno cultural: normalizar el uso, celebrar los aprendizajes y penalizar el uso ciego. Otro estructural: rediseñar procesos, no solo añadir la IA encima de flujos viejos. Y uno de liderazgo: los directivos deben usarla ellos primero, porque nadie sigue a un líder que exige lo que no practica.

La IA no está reemplazando a las personas. Está reemplazando a las personas y organizaciones que no aprenden a usarla. La brecha entre el 91% que la tiene y el 21% que la usa de verdad se cerrará en los próximos años, y quienes queden del lado equivocado descubrirán que el problema nunca fue la tecnología.

El desafío no está en el modelo, ni en la herramienta, ni en el proveedor. Está en el entorno donde la IA se usa: en cómo se forma a la gente, en cómo se rediseñan los procesos, en cómo se mide el impacto y en cómo se lidera el cambio. Las empresas que entiendan esto antes no estarán persiguiendo la próxima ola de IA. La estarán surfeando con equipos preparados, criterio propio y una ventaja competitiva difícil de copiar.