Capacitar en IA no es enseñar prompts

Una persona puede aprender veinte técnicas de prompting y seguir usando mal la IA. Puede escribir instrucciones sofisticadas, obtener una respuesta convincente y no detectar que el resultado es incompleto, frágil o simplemente falso.

Ese es el límite de muchas capacitaciones corporativas: enseñan a conversar con una herramienta, pero no a incorporarla responsablemente al trabajo.

La habilidad que importa no es producir la respuesta más llamativa. Es decidir qué tarea delegar, qué evidencia exigir y cuándo intervenir.

El desempeño de la IA cambia según la tarea

Los estudios disponibles muestran beneficios reales, pero no uniformes. En una investigación con 5.179 agentes de soporte, el acceso a asistencia generativa aumentó la productividad promedio y produjo ganancias especialmente altas entre trabajadores con menos experiencia. Otro experimento con consultores mostró una frontera irregular: dentro de ciertas tareas la IA mejoró velocidad y calidad; fuera de esa frontera, aumentó la probabilidad de error.

La conclusión práctica no es “la IA mejora la productividad”. Es que la combinación entre tarea, experiencia y forma de uso determina el resultado.

Una capacitación genérica ignora esa variación. Presenta ejemplos donde la herramienta funciona bien y deja a cada persona descubrir por ensayo y error dónde falla. Una capacitación aplicada parte en la dirección contraria: usa procesos reales, incorpora casos difíciles y hace visibles los límites.

Tres capacidades que un taller de prompts no entrega

1. Elegir el trabajo correcto

No toda tarea merece IA. Conviene comenzar con trabajo frecuente, reversible y fácil de revisar: sintetizar antecedentes, preparar una primera estructura, comparar documentos o explorar alternativas. Las decisiones irreversibles, sensibles o difíciles de auditar necesitan otra frontera de control.

La persona debe entender el costo del error antes de decidir cuánta autonomía entregar.

2. Verificar sin rehacer todo

Decir “revisa la respuesta” no es un método. La verificación necesita criterios: fuentes que se puedan abrir, cálculos que se puedan reproducir, campos obligatorios, ejemplos de referencia y condiciones que obliguen a escalar a una persona.

Microsoft Research estudia este problema como confianza apropiada: evitar tanto aceptar resultados incorrectos como rechazar ayuda útil por desconfianza general. Esa calibración se aprende comparando respuestas con evidencia, no memorizando una fórmula de prompt.

3. Rediseñar el flujo de trabajo

Si la IA produce un borrador más rápido pero nadie cambia las etapas posteriores, el ahorro puede desaparecer en revisiones duplicadas, copias manuales o nuevas esperas. El valor no está solo en acelerar una tarea; está en reorganizar el proceso completo alrededor de lo que ahora es posible hacer mejor.

Esto requiere involucrar a quienes conocen el trabajo cotidiano. Un curso desconectado del proceso entrega entusiasmo momentáneo. Un laboratorio sobre casos reales produce prácticas repetibles, responsables y métricas para saber si hubo mejora.

Capacitar también es gobernar

La OCDE sostiene que las habilidades necesarias no se limitan a conocimientos técnicos avanzados. Para la mayoría de las personas importan la alfabetización en IA, el análisis de datos, el pensamiento crítico, la resolución de problemas y la capacidad de trabajar con responsabilidad y transparencia.

Por eso la gobernanza no debería vivir en un documento separado del aprendizaje. Las reglas sobre datos confidenciales, fuentes autorizadas, revisión humana y usos prohibidos deben practicarse dentro de los ejercicios. Si aparecen solo al final como una diapositiva legal, no modifican la conducta.

La pregunta que vale la pena hacerse esta semana

Revisa la última capacitación de IA de tu organización. ¿Las personas salieron con prompts nuevos o con un proceso de trabajo distinto, criterios de verificación y una frontera clara para pedir ayuda?

Si solo ocurrió lo primero, todavía no construiste capacidad. Enseñaste una interfaz. La adopción comienza cuando el equipo puede usar la herramienta, cuestionarla y decidir con evidencia cuándo dejarla fuera.