Formación en IA para empleados: cómo es lo bueno según el rol

Un único curso para toda la empresa optimiza para la cobertura, no para el cambio. Enseña al empleado medio, que no existe.

La formación genérica tiende a quedarse en la concienciación. La gente aprende qué es un modelo de lenguaje grande, ve unos pocos ejemplos de prompts, y oye una lista de cosas que no pegar en un chatbot. Es contexto útil, pero rara vez sobrevive al contacto con un flujo real. En el momento en que alguien tiene que aplicarlo a un presupuesto, una preselección de candidatos o un test inestable, la brecha entre ver una demo y hacer el trabajo se vuelve obvia.

El problema de fondo es la relevancia. Los riesgos que un responsable financiero debe sopesar (error de modelo en una cifra del consejo, residencia de los datos, dependencia del proveedor) no tienen casi nada en común con los riesgos que afronta un agente de soporte (respuestas seguras pero equivocadas enviadas a un cliente, datos de cuenta filtrados en una transcripción). Cuando las mismas diapositivas intentan cubrir ambos, cada público recibe una versión diluida demasiado abstracta para actuar y demasiado genérica para recordar.

La formación por rol da la vuelta al diseño. Partes de un pequeño número de puestos que la gente de verdad hace cada semana, decides cómo es el uso competente de la IA en esos puestos, y enseñas a eso. La cobertura baja sobre el papel, pero la proporción de personas que cambian cómo trabajan sube, que es el único número que importa.

Antes de la primera sesión, captura dónde está realmente cada rol. Una línea base corta y práctica (no un test sobre definiciones) te dice qué sabe hacer ya la gente: ¿puede un responsable de marketing obtener una primera versión usable y detectar dónde está mal?, ¿puede un analista comprobar una respuesta de IA contra una fuente?, ¿puede un ingeniero revisar código generado por IA en lugar de pegarlo a ciegas? Sin esto, no puedes saber si la formación funcionó o si la gente confiada ya era buena.

Mantén la línea base anclada en tareas. Pide a la gente que complete una tarea representativa con IA y puntúa tú mismo el resultado contra una rúbrica simple: ¿era el prompt específico?, ¿se comprobó el resultado?, ¿se gestionaron los riesgos obvios? Registra un número por rol y por competencia. Esta es tu medida del antes, y a la vez sirve de análisis de necesidades: las puntuaciones más bajas te dicen dónde dedicar más tiempo.

Vuelve a correr la misma tarea unas semanas después de la formación para la medida del después, idealmente sobre un ejemplo nuevo para que la gente no pueda ensayar. La brecha entre el antes y el después, desglosada por rol, es la señal honesta de si el programa cambió la conducta. Si un rol apenas se mueve, eso es información, no fracaso: suele significar que la formación se lanzó a la altura equivocada para ese puesto.

Dirección y ejecutivos. El objetivo realista es criterio, no destreza de teclado: saber dónde merece la pena la inversión en IA, en qué no se puede confiar, y cómo pedir evidencia. Los riesgos que deben entender son gobernanza y responsabilidad (quién posee una decisión de modelo, cómo se controlan los casos de uso regulados, dónde van los datos) y el coste de los proyectos de teatro que hacen buena demo y no entregan nada. El resultado práctico es un líder capaz de leer una propuesta de IA y cuestionarla: cuál es la línea base, cuál es el alza medida, qué pasa cuando el modelo se equivoca.

Operaciones. El objetivo es encontrar y rediseñar el trabajo repetitivo y de pocas reglas donde la IA quita la pesadez (clasificación, extracción, redacción, resumen) sin romper un proceso controlado. Los riesgos son errores silenciosos que se acumulan a lo largo de un flujo y la sobreautomatización de pasos que necesitaban una comprobación humana. El resultado práctico es un proceso real mapeado, un paso aumentado con seguridad, y un control simple que atrapa al modelo cuando se equivoca. Ventas y marketing. El objetivo son primeras versiones e investigación más rápidas y mejores, no el piloto automático. Los riesgos son resultados fuera de marca o fácticamente erróneos enviados a un cliente potencial, y entregar en silencio datos de clientes a una herramienta que no debería tenerlos. El resultado práctico es una pieza de contacto o contenido personalizada y exacta producida en una fracción del tiempo habitual y comprobada de forma visible antes de salir.

RR. HH. y formación. El objetivo es acelerar la redacción y la síntesis (descripciones de puesto, resúmenes, contenido de aprendizaje) manteniendo intactas la equidad y la privacidad. Los riesgos son el sesgo en cualquier cosa que toque la contratación o la evaluación, y datos sensibles de empleados saliendo de sistemas controlados. El resultado práctico es un flujo de redacción más rápido más una regla clara sobre dónde la IA no debe tomar ni ordenar una decisión sobre personas. Soporte. El objetivo son respuestas más rápidas y consistentes con la persona firmemente en el bucle. Los riesgos son respuestas seguras pero equivocadas y datos de cuenta filtrados en transcripciones. El resultado práctico es un agente capaz de usar la IA para redactar e investigar una respuesta, y luego verificarla contra la cuenta real antes de enviarla. Técnico e ingeniería. El objetivo es usar la IA como multiplicador de fuerza en código, tests y documentación mientras se posee el resultado. Los riesgos son código generado inseguro o sutilmente roto, fuga de licencias y datos, y atrofia de habilidades por pegar sin revisar. El resultado práctico es un ingeniero que despliega trabajo asistido por IA que ha leído, probado y puede defender en la revisión.

Una buena formación se manifiesta como un movimiento visible de la línea base del antes a la medida del después en cada rol, y en trabajo que se despliega más rápido sin nuevo riesgo.

A las pocas semanas, deberías ver cambios específicos: líderes pidiendo líneas base y alza medida antes de aprobar gasto en IA, operaciones corriendo un proceso con un control de persona en el bucle, ventas y soporte desplegando resultados comprobados más rápido, RR. HH. con una línea clara en torno a las decisiones sobre personas, e ingenieros revisando en vez de pegar. Cada uno está atado a un número que se movió desde tu línea base.

Igual de importante es lo que no ocurre: menos resultados seguros pero equivocados llegando a clientes, ningún dato sensible saliendo en silencio de sistemas controlados, y ningún proyecto de teatro que hace buena demo y no entrega nada. La formación por rol no solo eleva la capacidad, eleva el suelo del riesgo porque cada grupo aprendió los modos de fallo que de verdad le aplican.