Definir el cambio operativo esperado
“Aprender inteligencia artificial” es demasiado amplio para diseñar un programa. Conviene comenzar con una conducta observable: preparar un primer borrador sin incluir información restringida, resumir un expediente citando sus fuentes, comparar documentos con una lista de revisión o detectar casos que requieren escalamiento.
Para cada conducta se define quién la realiza, con qué herramienta, qué entrada puede utilizar, quién revisa el resultado y qué evidencia permite saber si se ejecutó correctamente. Así, la capacitación se conecta con el proceso y no solamente con funciones de una plataforma.
| Pregunta | Ejemplo de respuesta verificable |
|---|---|
| ¿Qué debe poder hacer el participante? | Crear un borrador de respuesta a proveedores a partir de una plantilla aprobada. |
| ¿Qué no debe hacer? | Cargar contratos, datos personales o credenciales en una cuenta no autorizada. |
| ¿Quién valida? | La persona responsable del proceso antes de enviar o registrar el resultado. |
| ¿Cómo se comprobará? | Ejercicio práctico evaluado con criterios de exactitud, fuentes, tono y manejo de datos. |
Diseñar rutas de aprendizaje por rol
Una dirección, un equipo administrativo y un área técnica toman decisiones diferentes. Compartir una introducción común puede ser útil, pero repetir el mismo temario para todos diluye la práctica.
- Dirección y líderes: selección de casos, riesgos, responsables, inversión, indicadores y criterios para detener o escalar.
- Usuarios de negocio: tareas autorizadas, instrucciones claras, verificación de resultados, protección de información y escalamiento de errores.
- TI, datos y seguridad: proveedores, cuentas, permisos, integraciones, registros, evaluación, monitoreo y atención de incidentes.
- Responsables de proceso: diseño de prácticas, criterios de calidad, revisión de excepciones y seguimiento de adopción.
Todos necesitan un lenguaje común sobre límites y responsabilidad, pero la profundidad, los ejercicios y la evidencia de competencia deben corresponder a las decisiones de cada perfil.
Trabajar con casos y datos controlados
Los ejercicios genéricos enseñan a usar una interfaz, pero no revelan las dificultades del trabajo diario. Un caso útil conserva la estructura de la tarea real y utiliza datos sintéticos, anonimizados o expresamente autorizados.
Antes del taller conviene preparar ejemplos buenos y malos, una respuesta esperada, criterios de revisión y situaciones donde la persona debe rechazar el resultado o pedir ayuda. La práctica debe incluir errores plausibles: una cifra sin respaldo, una fuente inexistente, una omisión importante o una instrucción que intenta saltarse una política.
Estructura de un programa aplicable
| Etapa | Propósito | Evidencia |
|---|---|---|
| 1. Diagnóstico | Entender roles, tareas, herramientas, políticas y nivel inicial. | Mapa de perfiles y línea base. |
| 2. Fundamentos comunes | Alinear capacidades, límites, privacidad y revisión humana. | Evaluación breve de conceptos y decisiones. |
| 3. Laboratorios por rol | Resolver tareas reales con escenarios controlados. | Entregables calificados con una rúbrica. |
| 4. Aplicación supervisada | Probar casos autorizados dentro del trabajo cotidiano. | Bitácora de uso, errores y correcciones. |
| 5. Seguimiento | Ajustar reglas, materiales, herramientas y soporte. | Indicadores de adopción e incidencias. |
La duración depende de la variedad de perfiles y casos. Un taller aislado puede ser suficiente para sensibilización; desarrollar una capacidad operativa normalmente requiere práctica, retroalimentación y seguimiento.
Medir aprendizaje, uso y resultados
No conviene mezclar tres niveles distintos de medición:
- Aprendizaje: la persona identifica riesgos, ejecuta la tarea y revisa el resultado conforme a criterios definidos.
- Adopción: los casos aprobados se utilizan con la frecuencia esperada y los usuarios saben dónde pedir apoyo.
- Resultado operativo: cambian tiempos, retrabajo, calidad o capacidad, comparados contra una línea base razonable.
Una prueba antes y después ayuda a medir aprendizaje. Para adopción pueden observarse usuarios activos, prácticas completadas, casos autorizados, dudas e incidencias. Para evaluar resultados operativos hacen falta datos comparables y un periodo suficiente; no deben atribuirse automáticamente a la capacitación.
Ejemplo aplicado: equipo administrativo
Una empresa quiere que compras y administración utilicen IA para resumir cotizaciones y preparar comparativos. En lugar de impartir una sesión general de prompts, primero define los campos obligatorios, los documentos permitidos, las condiciones comerciales que deben conservarse textualmente y quién aprueba el comparativo.
Durante el laboratorio, el equipo trabaja con cotizaciones ficticias que contienen unidades distintas, información incompleta y una condición contradictoria. Cada participante entrega el comparativo, señala incertidumbres y adjunta la evidencia utilizada. Después, durante cuatro semanas, se habilitan dos casos aprobados y se registran correcciones, dudas y tiempos observados. El seguimiento permite decidir si se amplía el uso o si primero deben ajustarse las plantillas y controles.
Errores frecuentes
- Comprar un curso antes de definir para quién es: produce contenido amplio con poca transferencia al trabajo.
- Medir únicamente asistencia o satisfacción: no demuestra que alguien pueda ejecutar una tarea responsablemente.
- Enseñar herramientas sin reglas de datos: deja al usuario tomando decisiones de seguridad por su cuenta.
- Usar el mismo ejercicio para todos: ignora responsabilidades y riesgos diferentes.
- Terminar sin soporte: las dudas aparecen cuando el equipo regresa a casos ambiguos y datos reales.
- Prometer productividad antes de medir: confunde una expectativa con evidencia.