Capacitación corporativa en IA: lo que funciona y lo que es ruido
La mayoría de programas de formación en IA para ejecutivos enseñan herramientas sin enseñar criterio. Qué debe contener un programa que produzca capacidad real de decisión.
El mercado de capacitación corporativa en inteligencia artificial ha explotado desde la aparición de ChatGPT a finales de 2022. La oferta incluye desde workshops de dos horas sobre “cómo usar prompts” hasta programas de seis meses con certificación en machine learning. El problema no es la abundancia de oferta sino la confusión sobre qué tipo de formación necesita cada perfil dentro de una organización — y la tendencia a aplicar el mismo programa a todos. Un gerente de operaciones de un banco no necesita la misma formación en IA que un analista de datos ni que un directivo que debe decidir la estrategia de adopción. Cuando la organización los sienta a todos en el mismo workshop de “introducción a la IA,” el resultado es que el analista se aburre con contenido que ya domina, el gerente sale con conceptos interesantes pero sin herramientas aplicables a su contexto, y el directivo tiene una idea vaga de lo que la IA puede hacer sin criterio para evaluar propuestas de implementación.
La primera distinción que un programa de formación en IA debe hacer es entre alfabetización, habilitación y especialización. La alfabetización es para todos: qué es la IA, qué puede y qué no puede hacer, cuáles son sus riesgos, cómo afecta al trabajo del área. No requiere conocimiento técnico y su objetivo es construir un lenguaje común que permita conversaciones productivas entre áreas técnicas y de negocio. La habilitación es para los usuarios directos: cómo usar herramientas de IA en el trabajo diario — desde asistentes de productividad hasta herramientas de análisis — con criterio suficiente para evaluar la calidad de los resultados. La especialización es para los equipos técnicos: desarrollo de modelos, ingeniería de datos, arquitectura de soluciones de IA.
Davenport y Ronanki (2018) propusieron una categorización de aplicaciones de IA en tres tipos: automatización de procesos, insights cognitivos y compromiso cognitivo. Esta categorización es útil para diseño curricular porque cada tipo requiere capacidades diferentes. La automatización de procesos — RPA con componentes de IA — requiere que los usuarios entiendan qué procesos son candidatos a automatización y cómo validar que la automatización funciona correctamente. Los insights cognitivos — análisis predictivo, detección de patrones — requieren que los usuarios sepan interpretar resultados probabilísticos sin confundir correlación con causalidad. El compromiso cognitivo — chatbots, asistentes — requiere que los usuarios entiendan las limitaciones del lenguaje natural y puedan diseñar interacciones que no expongan a la organización a riesgos de información incorrecta.
El error más frecuente en programas de capacitación corporativa en IA es enseñar herramientas sin enseñar criterio. Un workshop que enseña a usar ChatGPT para redactar emails o resumir documentos transfiere una habilidad operativa que caduca con cada actualización de la herramienta. Un programa que enseña a evaluar cuándo la IA es la solución correcta para un problema, qué preguntas hacer antes de implementar, cómo medir si funciona y qué riesgos gestionar — ese programa construye una capacidad que sobrevive al cambio de herramienta. La distinción es entre enseñar a pescar con una caña específica versus enseñar a evaluar dónde, cuándo y cómo pescar.
La experiencia en programas de formación en IA en la región muestra patrones consistentes. Los programas que producen mayor impacto tienen cuatro características. Primera: trabajan sobre problemas reales del participante, no sobre casos genéricos. El gerente de riesgo que aprende a evaluar un modelo de scoring crediticio usando datos de su propia cartera aprende más que el que trabaja con el dataset de Iris. Segunda: incluyen un componente de evaluación de viabilidad — no todo problema se resuelve con IA, y la capacidad de decir “esto se resuelve mejor con un proceso manual bien diseñado” es tan valiosa como la capacidad de implementar un modelo. Tercera: abordan explícitamente los riesgos — alucinaciones, sesgo, privacidad, dependencia de proveedores — porque estos riesgos son los que determinan si la organización puede usar IA en contextos regulados. Cuarta: tienen un componente posterior al aula — seguimiento de implementación, sesiones de mentoría, comunidad de práctica — porque la transferencia al puesto es el cuello de botella, como en cualquier programa de formación corporativa.
La brecha de talento en IA es particularmente aguda en Panamá y Centroamérica. Las estimaciones del BID apuntan a una escasez de miles de profesionales especializados, y la formación universitaria local no la cierra al ritmo necesario. Pero la brecha más costosa para las organizaciones no es la de ingenieros de ML — esos se contratan o se subcontratan. La brecha más costosa es la de líderes de negocio que pueden evaluar oportunidades de IA, diseñar casos de uso viables, supervisar implementaciones y gestionar los riesgos asociados. Esta es la brecha que la capacitación corporativa debería priorizar, porque es la que determina si la inversión en IA produce retorno o produce pilotos que no escalan.
Brynjolfsson y McAfee (2017), en “Machine, Platform, Crowd,” argumentaron que el valor de la IA en organizaciones no se captura automatizando lo que los humanos ya hacen sino rediseñando los procesos para aprovechar lo que la IA hace mejor que los humanos y lo que los humanos hacen mejor que la IA. Esta reconceptualización requiere una capacidad que ningún curso de prompt engineering desarrolla: la capacidad de pensar sistémicamente sobre cómo la IA cambia la forma en que se organiza el trabajo, se toman decisiones y se genera valor. Esa capacidad es organizacional, no individual — y desarrollarla requiere programas que involucren a equipos completos trabajando sobre desafíos reales, no a individuos aislados aprendiendo herramientas.
El ROI de la capacitación en IA debe medirse — como toda capacitación — no en cantidad de personas formadas ni en horas de formación impartidas sino en capacidades instaladas. ¿Puede el equipo directivo evaluar una propuesta de implementación de IA con criterio suficiente para distinguir entre una oportunidad real y un producto del ciclo de hype? ¿Pueden los gerentes de negocio identificar casos de uso viables en sus áreas sin depender completamente de un equipo técnico que no entiende el contexto operativo? ¿Puede la organización gestionar los riesgos de la IA — no en abstracto sino en el contexto específico de su sector regulatorio? Si la respuesta a estas preguntas no cambia después de la inversión en formación, el programa no produjo valor — independientemente de cuántas personas obtuvieron certificados.
La capacitación en IA que produce capacidad real es más cara de diseñar que el workshop genérico, porque requiere personalización al sector, al nivel de madurez de la organización y a los problemas específicos que enfrenta. Pero el costo de la capacitación genérica que no produce capacidad es mayor — porque consume presupuesto, genera expectativas, y cuando las expectativas no se materializan, refuerza la narrativa de que “la IA no funciona para nosotros.” La IA funciona; lo que frecuentemente no funciona es la forma en que la organización intenta adoptarla — y la formación que debía construir esa capacidad no la construyó.
Referencias
- Brynjolfsson, E., & McAfee, A. (2017). Machine, Platform, Crowd: Harnessing Our Digital Future. W. W. Norton.
- Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108-116.