Dar acceso a la IA no basta: cómo formar equipos sin dejar a nadie atrás

Comprar licencias de inteligencia artificial puede hacerse en una semana. Conseguir que un equipo las use con criterio, seguridad y beneficios compartidos exige mucho más. Cuando el acceso llega sin tiempo para aprender, sin acompañamiento y sin reglas claras, la tecnología amplifica diferencias previas: quienes tienen experiencia digital avanzan; quienes temen equivocarse se esconden; y quienes realizan tareas menos visibles quedan fuera del experimento. Formar para la IA no consiste en impartir una charla. Consiste en diseñar condiciones para que todas las personas puedan comprender, probar, cuestionar y mejorar su trabajo.

La pregunta decisiva no es cuántas cuentas activó la organización, sino quién puede convertir esas cuentas en capacidad real. Power and Prediction, de Ajay Agrawal, Joshua Gans y Avi Goldfarb, ayuda a entender por qué: la IA reduce el coste de la predicción, pero el valor aparece cuando se rediseñan decisiones, flujos y responsabilidades. Si solo se entrega una herramienta y se mantiene intacto el sistema de trabajo, el resultado suele ser una colección de usos aislados, beneficios difíciles de demostrar y riesgos que nadie gobierna.

La desigualdad de adopción tiene varias capas. La primera es material: disponer de dispositivo, conectividad, permisos y una herramienta adecuada. La segunda es temporal: contar con horas protegidas para experimentar. La tercera es cognitiva: saber formular una tarea, revisar una respuesta, reconocer incertidumbre y decidir cuándo no usar IA. La cuarta es social: poder pedir ayuda o admitir un error sin recibir una sanción informal. Finalmente está la capa de influencia: participar en las decisiones sobre qué sistemas se compran, qué métricas se usan y qué límites se establecen.

Por eso, acceso no equivale a inclusión. Una licencia entregada a una persona con agenda saturada, instrucciones vagas y miedo a exponer datos no es una oportunidad efectiva: es una obligación adicional. En cambio, una persona con un caso concreto, tiempo de práctica, ejemplos pertinentes y un compañero que revise su trabajo puede construir autonomía incluso con una herramienta sencilla.

El artículo académico AI Literacy: Competencies and Design Considerations, de Duri Long y Brian Magerko, propone entender la alfabetización en IA como un conjunto de competencias, no como familiaridad superficial. Incluye reconocer qué es IA, comprender fortalezas y debilidades, imaginar usos, interpretar resultados y considerar implicaciones éticas. Esta mirada evita el error de medir el aprendizaje por asistencia a cursos o cantidad de instrucciones escritas.

La evidencia experimental ofrece motivos para adoptar y, al mismo tiempo, razones para hacerlo con cuidado. En Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence, Shakked Noy y Whitney Zhang observaron mejoras de productividad y calidad en tareas de escritura profesional. Sin embargo, un experimento delimitado no demuestra que cualquier herramienta mejore cualquier tarea, ni que el beneficio se distribuya automáticamente entre todos los puestos.

El estudio Navigating the Jagged Technological Frontier, de Fabrizio Dell’Acqua y sus colegas, mostró una frontera irregular: dentro de las capacidades de la tecnología, las personas podían trabajar más rápido y mejor; fuera de esa frontera, confiar en ella podía deteriorar el resultado. Esta irregularidad es crucial para la formación. No basta enseñar trucos para obtener respuestas convincentes. Hay que enseñar a clasificar tareas, buscar señales de error y establecer controles proporcionales al daño posible.

Un programa equitativo tampoco debe suponer que quienes parten con menos experiencia aprenderán solos observando a los usuarios avanzados. La investigación Generative AI at Work, de Erik Brynjolfsson, Danielle Li y Lindsey Raymond, encontró ganancias especialmente relevantes entre trabajadores menos experimentados en atención al cliente. Es prometedor: la tecnología puede difundir buenas prácticas. Pero ocurrió dentro de un contexto específico, con datos, tareas y medición definidos. La lección responsable es invertir en soporte contextual, no prometer una nivelación automática.

La formación general sirve para crear un lenguaje común, pero el aprendizaje se consolida cuando se conecta con decisiones reales. Un equipo comercial necesita distinguir entre redactar un primer borrador y perfilar clientes con datos sensibles. Recursos Humanos debe separar la ayuda para estructurar una descripción de puesto de la delegación automática de una decisión de contratación. Finanzas puede explorar explicaciones de variaciones, pero no aceptar cifras generadas sin contrastarlas con el sistema fuente.

Conviene comenzar con un mapa de tareas, no con un catálogo de funciones del proveedor. Cada equipo puede identificar actividades frecuentes, tiempo consumido, datos utilizados, necesidad de juicio y consecuencias de un error. Después se seleccionan pocos casos de bajo o medio riesgo para practicar. Este orden reduce el entusiasmo sin propósito y permite comparar el proceso anterior con el nuevo.