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 brecha no termina cuando todos reciben una licencia

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.

El efecto puede ser grande, pero no es uniforme

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.

Diseñar formación alrededor del trabajo real

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.

Esta arquitectura convierte la capacitación en práctica deliberada. La persona no memoriza una receta: desarrolla criterio para ajustar la herramienta a una situación. También hace visible el trabajo de verificación, que suele quedar oculto cuando solo se celebran minutos ahorrados.

Cinco condiciones para no dejar a nadie atrás

1. Tiempo protegido y reconocido

Aprender mientras se mantiene intacta la carga de trabajo favorece a quien puede extender su jornada. La organización debe asignar bloques de práctica dentro del horario, ajustar objetivos durante la curva inicial y reconocer el aprendizaje como parte del trabajo. De lo contrario, la adopción dependerá de recursos personales desiguales.

2. Apoyo cercano, no solo manuales

Las dudas aparecen frente a una tarea concreta. Funcionan mejor las clínicas breves, canales de consulta con respuesta, demostraciones realizadas por compañeros y parejas rotativas que un repositorio interminable de tutoriales. Los referentes internos no deben convertirse en soporte gratuito permanente: necesitan tiempo, reconocimiento y mecanismos para elevar problemas recurrentes.

3. Diversidad de formatos y accesibilidad

Una demostración rápida en vídeo no sirve igual a todas las personas. Deben coexistir guías escritas, sesiones prácticas, ejemplos paso a paso, subtítulos, materiales compatibles con tecnologías de asistencia y oportunidades de repetición. También conviene evitar jerga innecesaria y traducir los conceptos a los idiomas y contextos del equipo.

4. Reglas comprensibles

Una política de treinta páginas que nadie consulta no protege. Cada práctica debería responder con claridad: qué datos no pueden introducirse, qué usos requieren autorización, quién revisa el resultado, cómo se informa un incidente y dónde queda registro. La regla debe aparecer en el momento de la tarea, no solo durante la inducción.

5. Voz y posibilidad de objeción

Quienes realizan el trabajo conocen excepciones que el equipo comprador puede ignorar. Deben poder cuestionar una automatización, reportar efectos adversos y proponer alternativas sin ser tratados como resistentes al cambio. Incluir representantes de distintos roles, edades, niveles de experiencia y condiciones de accesibilidad mejora tanto la justicia del proceso como la calidad del diseño.

Medir capacidad, no actividad

Contar licencias, sesiones o consultas describe actividad, pero no demuestra valor. Una medición útil combina resultados de trabajo, distribución de beneficios y señales de riesgo. Puede comparar tiempo total —incluida la revisión—, calidad evaluada con criterios estables, errores detectados, incidentes de datos y porcentaje de personas capaces de completar el proceso sin ayuda.

También hay que desagregar. Un promedio positivo puede ocultar que un área avanza y otra retrocede, o que los usuarios expertos capturan casi todo el beneficio. Preguntas sencillas revelan la distribución: ¿quién usa la herramienta?, ¿quién dejó de usarla?, ¿quién necesita más correcciones?, ¿qué puestos no tuvieron tiempo de practicar?, ¿qué personas no pueden acceder al formato de capacitación?

El trabajo On the Opportunities and Risks of Foundation Models, coordinado por Rishi Bommasani, recuerda que los sistemas fundacionales concentran capacidades y riesgos a lo largo de una cadena amplia. Para una organización, esto significa que formar usuarios no reemplaza la evaluación del proveedor, la protección de datos ni la gobernanza. La competencia individual y el control institucional son complementarios.

Un plan de treinta días para empezar

Semana uno: escuchar y mapear. Seleccione un equipo pequeño y diverso. Identifique tareas, restricciones, datos y temores. Registre el punto de partida: tiempo, calidad, errores y confianza declarada. Compruebe además si existen barreras de acceso o necesidades de adaptación.

Semana dos: practicar con límites. Use dos casos de bajo riesgo y datos seguros. Muestre una ejecución útil y otra defectuosa. Cada participante debe explicar qué verificó, qué cambió y por qué. Reserve una ruta clara para preguntar o detener el ejercicio.

Semana tres: acompañar y comparar. Forme parejas rotativas, no grupos permanentes de “expertos” y “rezagados”. Compare el proceso anterior con el asistido, contabilizando también la revisión. Recoja dificultades sin convertirlas en evaluación de desempeño.

Semana cuatro: decidir y ajustar. Determine qué caso merece continuar, cuál necesita controles adicionales y cuál debe abandonarse. Publique aprendizajes, límites e incidentes de forma comprensible. Solo entonces amplíe el piloto y asigne recursos para sostenerlo.

La adopción sostenible no busca que todas las personas usen IA todo el tiempo. Busca que cada una pueda tomar una decisión informada y actuar con respaldo cuando la respuesta sea sí, no o todavía no. Un equipo formado no es el que produce más instrucciones; es el que reconoce dónde la tecnología aporta, dónde falla y quién responde por la decisión final.

Referencias

• Agrawal, A., Gans, J. y Goldfarb, A. (2022). Power and Prediction. Harvard Business Review Press. Ficha bibliográfica.
• Long, D. y Magerko, B. (2020). AI Literacy: Competencies and Design Considerations. ACM CHI. DOI 10.1145/3313831.3376727.
• Noy, S. y Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science. DOI 10.1126/science.adh2586.
• Dell’Acqua, F. et al. (2023). Navigating the Jagged Technological Frontier. Harvard Business School. DOI 10.2139/ssrn.4573321.
• Brynjolfsson, E., Li, D. y Raymond, L. (2023). Generative AI at Work. NBER. Working Paper 31161.
• Bommasani, R. et al. (2021). On the Opportunities and Risks of Foundation Models. Stanford CRFM. arXiv:2108.07258.

Pregunta para la comunidad: ¿Qué condición falta hoy en tu equipo para que aprender a usar IA sea una oportunidad compartida y no una nueva fuente de desigualdad?

Elaborado por Ricardo Gaibor.

Este artículo fue elaborado por Ricardo Gaibor con ayuda de sistemas de inteligencia artificial en tareas de investigación, organización y edición. La selección, interpretación y responsabilidad editorial del contenido corresponden al autor.