La Brecha de Habilidades en IA: Cómo las Organizaciones y Líderes la Están Cerrando
Cambio Cultural: Cerrar la brecha de habilidades en IA requiere abordar cuestiones culturales en lugar de limitarse a ofrecer capacitación.
Mandatos Específicos: Los mandatos eficaces sobre IA necesitan claridad operativa, definiendo flujos de trabajo y responsabilidades para una adopción exitosa.
Aprendizaje Personalizado: La formación específica para cada función, centrada en aplicaciones inmediatas, mejora la adopción de la IA y el cambio de comportamiento en los equipos.
Enfoque en la Capacitación: La IA debe verse como una función de habilitación que mejora la eficiencia, en lugar de un reemplazo de los roles existentes.
Medición de Resultados: La evaluación de la adopción de IA debe priorizar la calidad del trabajo producido en lugar de solo las métricas de uso.
En todos los sectores, las organizaciones se enfrentan a la misma realidad incómoda: han invertido en herramientas de IA, han emitido directrices para utilizarlas y han visto cómo la adopción de la IA se estanca de todos modos.
El problema no es la tecnología. Es la brecha entre el acceso y la capacidad real, y el creciente reconocimiento de que cerrarla requiere más que solo una exigencia.
Unlock for Free
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Los líderes en la primera línea de este trabajo están replanteando cómo se desarrollan las competencias, cómo se mide la adopción y qué significa realmente incorporar la IA en la forma en que trabajan los equipos. Para entender cómo las organizaciones están abordando esto en la práctica, hablé con líderes de operaciones y gestión de proyectos sobre sus enfoques para cerrar esta brecha sin precedentes en la preparación de la fuerza laboral.
El verdadero problema es la cultura, no solo la formación
El instinto de tratar la brecha de habilidades en IA como un problema de conocimiento es comprensible, pero los profesionales dicen que eso no aborda la causa de fondo. Moe Rosenfeld, CIO en eCopier Solutions, lo expresa directamente: "La adopción es básicamente un problema cultural disfrazado como un problema de formación."
Lo que parece una falta de habilidades suele ser falta de seguridad psicológica, expectativas poco claras o un entorno de liderazgo que envía señales contradictorias. Rosenfeld continúa: "Las empresas que batallan con esto suelen imponer la IA desde arriba mientras ponen nerviosos a quienes la usan. No puedes hacer ambas cosas." Cuando la adopción se convierte en un indicador de desempeño antes de ser una práctica respaldada, la gente aprende a aparentar estar ocupada en vez de aprender a trabajar de manera diferente.
Graham Mann, fundador de SEOTakeoff, refuerza esta idea: "La brecha de conocimientos en IA empeora cuando las organizaciones la tratan como formación en herramientas. La capacitación útil es la formación en flujos de trabajo." Enseñar a alguien a usar una plataforma no es lo mismo que enseñarle dónde encaja en la forma en que hace su trabajo.
La brecha de conocimientos en IA empeora cuando las organizaciones la tratan como formación en herramientas. La capacitación útil es la formación en flujos de trabajo.
Por qué fracasan los mandatos de IA vagos — y cómo son los operativos
Incluso las organizaciones realmente comprometidas con la adopción de la IA a menudo se sabotean a sí mismas con directrices demasiado generales como para ser aplicadas. Mann advierte precisamente sobre esto: "Evitaría los mandatos globales de IA como 'Todos deben usar IA.' Crean un uso meramente aparente." De hecho, Meta puso cara a este uso performativo de la IA cuando recientemente se hizo viral por su filtración interna de su 'tabla de clasificación de tokens'.
Cuando el estándar es vago, la gente cumple con la letra pero no cambia nada relevante. Ilya Margolin, consultor estratégico en flujos de trabajo de datos e IA, define lo que requiere un verdadero mandato: "Los mandatos de IA necesitan un lenguaje operativo. 'Usar IA' es demasiado vago. Un mandato serio nombra los flujos de trabajo, las herramientas permitidas, los datos restringidos, el estándar de revisión y el responsable encargado." Ese tipo de especificidad convierte una directriz en algo realmente accionable.
En el otro extremo, Alexander Debelov, fundador y CEO de Go X, describe una organización que ha simplificado el mandato a su forma más clara: "el mandato es simple: si una tarea puede ser realizada por un agente, debe serlo." Mientras algunas organizaciones siguen debatiendo si adoptar IA, otras ya asumen por defecto que se usará y construyen a partir de ahí.
Los mandatos de IA necesitan un lenguaje operativo. 'Usar IA' es demasiado vago.
El peligro del término medio —donde hay estímulo pero sin estructura— es lo que Margolin señala como el riesgo silencioso de la experimentación no gestionada: "La experimentación individual oculta crea una calidad inconsistente y exposición de datos. Los estándares operativos compartidos convierten la IA en una capacidad repetible."
Aprendizaje específico por rol y próximo a la toma de decisiones
Uno de los patrones más claros entre los líderes que han visto éxito en la formación en IA es que es específica: específica para el rol, para la decisión y para el flujo de trabajo.
Stein Janssen, Director de Operaciones, Poki, describe cómo se ve esto en la práctica: "Por ejemplo, lo que un Project Manager necesita saber es cómo aplicar la IA a las actividades de alcance, los procesos de traspaso y el seguimiento de incidencias; mientras que lo que un Responsable de Operaciones necesita saber es cómo utilizar la IA para mantener la coherencia en el diseño del proceso de escalado."
Los programas genéricos de alfabetización en IA pueden crear conciencia, pero rara vez cambian el comportamiento porque no están anclados a los problemas que las personas realmente intentan resolver. Janssen es directo sobre por qué la proximidad importa: "Este tipo de aprendizaje debe estar muy cerca de donde se toman las decisiones, porque si está demasiado alejado de estos procesos decisorios, el aprendizaje se vuelve teórico y puede no resultar en ningún cambio de comportamiento."
La prueba de cualquier capacitación es si se refleja en cómo alguien trabaja el lunes siguiente, y eso es mucho más probable cuando la formación se organiza en torno a las decisiones que ya están tomando.
Cómo las organizaciones están estructurando los programas de formación en IA
Las organizaciones están adoptando diferentes enfoques para desarrollar la capacidad de IA a gran escala, y las más efectivas suelen combinar una base de alfabetización con un desarrollo más profundo y autodirigido.
Aniket Ghonge, Senior Supply Chain Manager en Amazon, describe la base: "En todos los niveles de la organización, tienen alguna forma de capacitación basada en IA. Es una capacitación muy básica, como explicar cuáles son los diferentes tipos de IA. Está disponible para todos y es obligatoria." Ese nivel de entendimiento compartido es importante: crea un vocabulario común y asegura que nadie enfrente conversaciones sobre IA desde cero.
En todos los niveles de la organización, tienen algún tipo de formación basada en IA. Es una formación muy básica, como explicar cuáles son los diferentes tipos de IA. Está disponible para todos y es obligatoria.
Para quienes quieren ir más allá, Amazon ha construido un camino: "Amazon también empezó a ofrecer certificaciones y cursos de machine learning university de forma gratuita para los Amazonians", señala Ghonge. "Así que de hecho estoy inscrito en uno de esos cursos, y es un entorno autodidacta en el que puedes aprender sobre aprendizaje automático y diferentes conceptos."
A nivel de equipo, los líderes también están creando su propia infraestructura. Jeff Chamberlain, Gerente de Servicios de Banda Ancha y PMO en el Gobierno del Condado de Frederick, ha adoptado un enfoque desde la base: "En realidad he creado una pequeña fuerza de tarea de IA en mi equipo, un grupo de project managers de todo el mundo realmente apasionados por seguir evolucionando nuestros métodos de IA." Este tipo de comunidades internas —personas suficientemente comprometidas como para impulsar el trabajo sin que se lo indiquen— suelen avanzar más rápido y con más credibilidad que los programas descendentes.
De hecho, he creado una pequeña fuerza de tarea de IA en mi equipo, un grupo de project managers en todo el mundo que realmente sienten pasión por seguir evolucionando nuestros métodos de IA.
La IA como habilitador, no sustituto — y cómo se ve esto en la práctica
Uno de los cambios más constantes que plantean los profesionales es una redefinición de cómo se categoriza la propia IA. Chamberlain articula lo que su equipo técnico sigue remarcando: "La IA no es una herramienta. No es un método. Es una función habilitadora. En su esencia, es un método que nos permite hacer las cosas más rápido, mejor y con mayor solidez. No está pensada para sustituir nada. Está pensada para habilitar velocidad y calidad. Pero eso todavía requiere personas."
Esa perspectiva importa porque cambia hacia qué intentan las organizaciones avanzar: no es reemplazo, sino amplificación. Debelov ofrece un ejemplo concreto de cómo se ve esto cuando realmente se otorga el permiso para utilizar IA plenamente. Su organización desplegó nueve agentes digitales para realizar llamadas de voz impulsadas por IA a más de 100 negocios locales: "Ellos [los agentes] agendaron 15 reuniones con socios, y 15 de esas se convirtieron en nuevos socios locales. El costo total de las llamadas de los agentes fue de unos $50. La última vez que hicimos el mismo contacto con humanos, nos costó aproximadamente $1,500 para agendar la misma cantidad de reuniones."
La tecnología no era nueva. Lo novedoso fue la decisión de usarla. La apreciación de Debelov sobre qué es lo que realmente retiene a la mayoría de las organizaciones es clara: "La brecha no es técnica. Es de permiso."
Midiendo la adopción de la manera correcta
Si el objetivo es tener capacidad genuina en vez de simple cumplimiento visible, la medición debe reflejarlo. Margolin describe su propio estándar: "Yo mido la adopción de la IA a través de la calidad del trabajo producido, no por la cantidad de indicaciones o inicios de sesión en herramientas." Contar accesos e interacciones es fácil de manipular y dice muy poco sobre si la IA realmente está mejorando el trabajo.
Yo mido la adopción de la IA a través de la calidad del trabajo producido, no por la cantidad de indicaciones o inicios de sesión en herramientas.
Mann ofrece una prueba igualmente centrada en los resultados: "¿El proceso se volvió más rápido, más claro o menos propenso a errores sin reducir la calidad? Si no es así, la capa de IA probablemente solo sea ruido." La pregunta no es si se usó IA. Es si el trabajo mejoró. Las organizaciones que miden lo primero mientras afirman preocuparse por lo segundo seguirán produciendo el mismo resultado: una adopción superficial que nunca se convierte en una capacidad real.
Cerrando la brecha de la manera correcta
Cerrar la brecha de habilidades en IA no es ante todo un desafío técnico ni siquiera de capacitación. Es un desafío de liderazgo. Las organizaciones que avanzan de verdad no son las que tienen las herramientas más sofisticadas o los mandatos más agresivos: son las que han sido honestas sobre las condiciones culturales necesarias para que la adopción se consolide, específicas sobre qué significa realmente usar IA en cada rol y disciplinadas en medir resultados en vez de actividad.
La brecha es real, pero el camino a seguir también lo es. La decisión de usar IA ya se ha tomado. Lo que queda es el trabajo más difícil: construir la cultura, la especificidad y los estándares de medición que conviertan esa decisión en algo que realmente perdure. ¿Quieres más ideas como estas? Regístrate para una cuenta gratuita en DPM y recibe más opiniones de expertos como estas.
