Preparado para la IA es una Frase, No una Estrategia
Fuerza Laboral de IA: El enfoque está cambiando del impacto de la IA a preparar a la fuerza laboral para roles integrados con IA.
Habilidades Necesarias: La programación, la adaptabilidad y la claridad se enfatizan como habilidades clave para estar preparados para la IA en el entorno laboral.
Diseño Organizacional: Los marcos actuales de preparación se enfocan en las personas en lugar de abordar retos sistémicos de diseño organizacional.
Métricas de Medición: La preparación para la IA no debe basarse únicamente en métricas de uso. El éxito se determina por la mejora de los resultados.
Problema de Urgencia: Se enfatiza la urgencia en la adopción de IA, pero a menudo faltan precisión y una dirección clara.
Cada agenda importante de conferencias esta primavera presentó alguna variación del mismo título de sesión: lo que realmente se necesita para crear una fuerza laboral preparada para la IA.
La frase estaba en todas partes. Una señal confiable de que la industria ha superado la pregunta de si la IA cambia el trabajo y ha llegado a la pregunta más difícil de cómo preparar a las personas para lo que viene después.
La verdadera pregunta resultó ser más difícil de responder de lo esperado.
Keep Reading—and Keep Leading Smarter
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
En las sesiones de Transform en Las Vegas y HumanX en San Francisco esta primavera, los ponentes ofrecieron opiniones reflexivas, aunque algo generales, sobre cómo se ve la preparación de la fuerza laboral en un entorno acelerado por la IA.
Andrew Ng, fundador de DeepLearning.AI, presentó un caso provocador de que todos, independientemente de su puesto, deberían aprender a programar.
El CEO de Coursera, Greg Hart señaló la creciente demanda de cursos de pensamiento crítico, que aumentaron cerca del 200% año tras año en la plataforma, como evidencia de que las organizaciones están empezando a comprender que solo la fluidez técnica no es la respuesta.
Robin Daniels de Sensai argumentó que la habilidad fundamental de IA es la claridad. En otras palabras, si no puedes definir lo que quieres con suficiente claridad para que una persona lo haga, definitivamente no puedes definirlo con suficiente claridad para que lo haga un agente.
Sarah Franklin, CEO de Lattice, rechazó la tendencia de medir la preparación para la IA a través de métricas de uso, argumentando que lo importante es si las personas están logrando mejores resultados, no si están generando más tokens.
Estas no son observaciones vacías. Hay un verdadero trabajo intelectual detrás de ellas. Pero, en conjunto, revelan algo que el circuito de conferencias aún no ha resuelto: "preparado para la IA" sigue siendo una frase orientativa más que operativa.
Puedes asistir a tres días de sesiones y salir con una sensación de urgencia convincente y casi sin manera de evaluar en qué punto realmente se encuentra tu organización.
Vale la pena analizar esto, porque el costo de confundir la inspiración con la estrategia ya se está haciendo presente en las organizaciones reales.
Lo que la conferencia define como preparado
La definición operacional de preparación para la IA que emergió a lo largo de las sesiones tiene algunos componentes consistentes.
El primero son las competencias, principalmente técnicas. El argumento de Ng sobre la programación es la versión más marcada de esto. A medida que la IA hace que la creación de software sea más accesible, las personas que pueden trabajar a ese nivel superarán a quienes no pueden, independientemente de su título profesional.
Describió cómo observó a mercadólogos, reclutadores y profesionales de finanzas que podían programar adelantarse a sus compañeros que no podían, y enmarcó la brecha como algo que se está ampliando.
Hart reforzó la dimensión técnica a través de los datos de inscripción. Una persona se inscribió en un curso de IA en Coursera cada cuatro segundos en 2025, el doble de la tasa de 2024.
El segundo componente es la adaptabilidad, definida en términos generales como la capacidad de mantenerse al ritmo del cambio.
"La única cualidad humana que se necesita es la adaptabilidad", dijo Adit Jain, CEO de Leena AI, cuya empresa crea colegas de IA para funciones administrativas y de back office.
Él estaba describiendo lo que ve cuando las empresas implementan la automatización. Las personas que sobreviven a la transición no son necesariamente las más experimentadas ni las más sofisticadas técnicamente. Son aquellas dispuestas a redefinir su rol en torno a supervisar y mejorar la IA en lugar de defender el trabajo que ésta reemplazó.
El tercero es algo que resiste una etiqueta clara. Franklin lo llamó tratar la IA como un compañero, no como una herramienta. Daniels lo llamó claridad. Bianca Anghelina, CEO de AILY Labs, lo describió como la capacidad de traducir problemas empresariales en desafíos abordables por la IA.
El argumento de Ng sobre la programación, en el fondo, es realmente que programar es un vehículo para aprender a pensar en sistemas, para descomponer problemas en componentes que un proceso automatizado pueda manejar.
Debajo de estos tres componentes hay un cuarto implícito: la disposición a seguir aprendiendo indefinidamente. Todos los ponentes finalmente llegaron a este punto. El imperativo del aprendizaje permanente es menos una definición de preparación que un reconocimiento de que ninguna habilidad fija será suficiente.
Como descripción de la dirección en la que una organización debe moverse, esto es razonable. Como marco para evaluar en qué punto se encuentra una organización determinada, es casi inútil. "Sé adaptable" y "sigue aprendiendo" no son cosas evaluables. No le dicen a un CHRO qué medir, qué desarrollar o cómo se ve una calificación aprobatoria.
Además, rara vez se menciona lo que se necesita al comenzar este proceso, aunque lo hemos tratado en el pódcast.
Dónde se rompe la definición
El momento más útil en una sesión de HumanX sobre recualificación a gran escala no vino de un marco teórico, sino de un dato concreto. Jain describió lo que suele suceder cuando su empresa automatiza un proceso de negocio para un cliente empresarial grande: el 60% de las personas que realizaban ese trabajo ya no son necesarias.
Del 40% restante, aproximadamente el 20%, es decir, alrededor del 12% del total, pueden ser reabsorbidos en el proceso como gestores humanos de la IA. El otro 48% representa un problema de transición que la mayoría de las organizaciones no han resuelto.
Él ofreció un ejemplo real de un cliente del sector salud que reubicó al personal de operaciones de RRHH, liberado de la gestión rutinaria de tickets, en la creación y gestión de agentes que realizan trabajos de cumplimiento de datos de pacientes a escala. Un trabajo que realmente no se había hecho antes porque era demasiado intensivo en recursos para hacerlo con personas.
La readaptación requirió que esos empleados pudieran comprender el nuevo trabajo, adquirir nuevas habilidades rápidamente y aceptar una relación fundamentalmente diferente con su función laboral.
Es aquí donde la definición de preparación de la conferencia choca con su problema estructural. La preparación, tal como la presentan la mayoría de las sesiones, es una propiedad de los individuos: sus habilidades técnicas, su adaptabilidad, su disposición para aprender.
Pero el problema del 48% no es principalmente un problema individual. Es un problema de diseño organizacional. Si esos empleados pueden hacer la transición no depende solo de su adaptabilidad personal, sino de si su organización ha identificado a dónde podrían ir, qué requieren esos roles, en qué inversiones de desarrollo se necesita invertir para que lleguen ahí y cuánto tiempo la organización puede sostener esa transición antes de que la presión económica la empuje hacia soluciones más simples.
El concepto de "preparado para IA" como idea para la fuerza laboral no aborda nada de esto, al menos no en la manera en que lo concebimos hoy. Se centra en el lado de la capacidad de la ecuación, dejando la parte del despliegue prácticamente sin examinar.
Daniels hizo una observación incisiva sobre los despidos de Oracle a principios de este año.
«Hay una grave falta de valentía en la alta dirección para ir y recualificar a la fuerza laboral. ¿Qué estás haciendo si estás sentado sobre enormes cantidades de dinero en efectivo y no te tomas el tiempo para recualificar o volver a formar a tus empleados?»
La cuestión planteada giraba en torno al coraje ejecutivo. Pero lo que se describe también es un fracaso de capacidad organizacional. Es casi seguro que Oracle tenía gente adaptable y con ganas de aprender. Lo que aparentemente le faltaba era un sistema para identificar quiénes eran esas personas, a dónde podían ir y cómo desarrollarlas a la velocidad que requería la transición.
El coraje importa. Pero el coraje sin diagnóstico no es una estrategia.
El Problema de la Medición
El punto de Franklin sobre medir la preparación para IA a través de métricas de uso merece más atención de la que recibió en el contexto de la conferencia. Ella estaba describiendo algo en lo que las organizaciones suelen equivocarse. Hacen un seguimiento de la adopción, inicios de sesión en herramientas, volumen de prompts y uso de tokens, y concluyen que están avanzando.
La medición es clara y fácil de comunicar a la dirección. Pero también es fácilmente manipulable y solo tiene una correlación tenue con lo que realmente importa.
«Medir solo el uso de la IA es perderse el bosque por los árboles. Todavía necesitas medir lo que la gente es capaz de hacer, porque creemos profundamente que la IA debe estar aquí al servicio del éxito de las personas.»
Esto importa especialmente en contextos de desarrollo de la fuerza laboral, porque el instinto de medir la adopción ya está moldeando cómo algunas organizaciones estructuran sus exigencias de formación en IA. Si vinculas el uso de IA a las evaluaciones de desempeño, obtendrás uso de IA. No necesariamente obtendrás mejores decisiones, trabajo más rápido o empleados más capacitados.
Jain describió una versión de este problema desde el otro lado: cuando intentó un enfoque flexible para la recualificación, pidiendo a los empleados que realizaran un curso a su propio ritmo durante tres meses, solo dos de treinta lo hicieron.
Cuando repitió el mismo programa con un plazo de 90 días, un examen formal y un aumento salarial por aprobar, más del 85% lo completó. El hallazgo motivacional es interesante. Pero la implicación más importante tiene que ver con lo que la organización realmente estaba midiendo.
El cumplimiento y la compensación eran rastreables. Si las personas que aprobaron tenían la capacidad material para realizar el nuevo trabajo era una cuestión diferente.
¿Qué haría que esto fuera una evaluación real y no solo un trámite? Esa es la pregunta que las sesiones de la conferencia no pudieron responder por completo.
Poniendo a Prueba la Definición de la Conferencia con un Estándar Más Exigente
Las siete capacidades que distinguen de manera consistente a las organizaciones que tienen éxito en la transformación con IA frente a aquellas que solo generan actividad sin resultados son: empatía, presencia, pensamiento orientado al producto, valentía, paciencia estratégica, transparencia y pensamiento sistémico.
Se presentan de forma constante en la investigación. También son, notablemente, casi completamente sobre el comportamiento de liderazgo más que sobre las habilidades del personal.
Evaluar las sesiones de la conferencia frente a cada una de ellas da un panorama desigual.
Empatía
El caso de Franklin para la IA en la gestión del desempeño se fundamentó en una visión genuina sobre cómo las personas experimentan la evaluación, que eliminar la dinámica de juicio en las conversaciones de desempeño al mostrar información basada en evidencias antes de que ocurra la conversación humana, cambia lo que las personas están dispuestas a escuchar.
La descripción que hace de empleados sintiéndose “más cómodos” cuando entienden que la IA se basa en datos confiables y no en la impresión subjetiva del gerente es una observación real sobre cómo las personas experimentan el cambio de manera diferente.
El hallazgo de Coursera, que muestra que los alumnos que interactúan con su coach de IA tienen resultados materialmente mejores que aquellos que no lo hacen, apunta en la misma dirección. Personas distintas necesitan distintos tipos de apoyo, y las organizaciones que lo reconocen están viendo mejores resultados.
Las sesiones no ofrecieron un diagnóstico para evaluar la empatía organizacional, pero la comprensión general estaba presente.
Pensamiento orientado al producto
El modelo boot camp de Anghelina es el ejemplo más claro: los empleados reciben un marco funcional de agente y un desafío empresarial concreto, no un plan de estudios abstracto de habilidades ni una teoría de las capacidades de la IA.
Optimizar el gasto en marketing en un 10%. La elección de diseño es significativa. Ella trata el desarrollo de la fuerza laboral como un equipo de producto trata un problema: partir de una necesidad real del usuario, construir algo que la aborde e iterar a partir de ahí.
El ejemplo de reasignación en salud de Jain sigue la misma lógica. La capacidad liberada de operaciones de RRHH no se destinó a una recapacitación genérica, sino a un problema concreto de cumplimiento que la organización nunca había podido resolver.
Esto es pensamiento orientado al producto en la práctica. Pero ninguno de los ponentes lo enmarcó así, lo que significa que los líderes que vieron las sesiones probablemente absorberán el ejemplo sin identificar el principio fundamental.
Valentía
Esto surgió claramente una vez y luego la conversación siguió adelante. La crítica de Daniels a Oracle fue tajante: una organización con los recursos financieros para recapacitar a su plantilla eligió no hacerlo, y él lo nombró como un fracaso de voluntad ejecutiva. El planteamiento tuvo impacto.
Lo que no surgió fue una discusión sobre cómo las organizaciones desarrollan la valentía institucional para absorber costos a corto plazo a cambio de capacidad a largo plazo en la fuerza laboral. La brecha entre identificar el problema y desarrollar la capacidad de liderazgo para enfrentarlo quedó abierta.
Transparencia
Este aspecto estuvo implícito en toda la conferencia, pero rara vez se examinó directamente. Los comentarios de Franklin sobre la construcción de confianza organizacional como requisito previo para la IA en la gestión del desempeño fueron los que más se acercaron.
Pero ninguna sesión abordó cómo es una comunicación honesta cuando una organización tiene verdaderas dudas sobre qué roles sobrevivirán a una transición con IA, ni cómo los líderes pueden ser sinceros sobre esa incertidumbre sin aumentar el temor que socava la adopción.
La investigación de Boston Consulting Group y Columbia Business School documentó la brecha de 51 puntos porcentuales entre lo que los ejecutivos creen que los empleados entienden sobre la estrategia de IA y lo que realmente entienden los empleados, pero no se mencionó. Debería haberse tratado. Esa brecha no es un problema de comunicación. Es un problema de transparencia, y es lo suficientemente grande como para descarrilar implementaciones que, en lo técnico, estarían bien.
Presencia
En una era conocida por las personas poderosas que carecen de autoconciencia, la presencia estuvo, apropiadamente, casi completamente ausente. Las sesiones se plantearon a un nivel estratégico y la cuestión de si los líderes comprenden cómo se realiza realmente el trabajo en sus organizaciones—lo suficientemente cerca como para saber qué va a cambiar realmente la IA para las personas que ejecutan las tareas—no se examinó.
Los números de Jain lo indican: si el 60% de las personas en un proceso empresarial se vuelven innecesarias tras la automatización, alguien en la alta dirección tuvo que tener una visión clara de lo que realmente hacían esas personas y en qué otras áreas podía existir un trabajo equivalente.
Pero cómo las organizaciones desarrollan esa cercanía operativa, especialmente en grandes empresas donde la brecha de silicio entre los equipos ejecutivos y el trabajo de primera línea ya está documentada, no fue parte de la conversación.
Paciencia estratégica
El tono dominante de la conferencia fue la urgencia. Muévete ahora o quédate atrás. Los pilotos han terminado, es hora de desplegar. La afirmación de Anghelina sobre la integración en un día. La advertencia de Jain de que un CEO que no se mueva lo suficientemente rápido enfrentará analistas preguntando por qué los competidores tienen mejores márgenes.
La corrección final de Robin Daniels, “la velocidad más la incertidumbre es solo caos, respira”, fue la única contrapresión en cualquiera de las sesiones, y llegó en los últimos treinta segundos antes de que se acabara el tiempo.
La investigación sobre lo que realmente produce una adopción sostenida de IA apunta en otra dirección, donde el 79% de los empleados que recibió más de cinco horas de formación en IA se convirtieron en usuarios habituales, frente al 67% que recibió menos. La curva en J es real.
El desarrollo de capacidades que produce resultados duraderos lleva más tiempo del que la urgencia de la conferencia reconoce, y el costo organizacional de abandonar iniciativas antes de que maduren —S&P Global sitúa la tasa de abandono en un 42% de los proyectos de IA antes de alcanzar la producción—, no se refleja en el encuadre de “muévete rápido o quédate atrás”.
Pensamiento sistémico
Ninguna sesión abordó sustancialmente cómo el despliegue de IA en una función genera efectos posteriores en otras. Cosas como:
- Cómo el rediseño de flujos de trabajo en operaciones de RRHH cambia lo que atención al cliente necesita ser capaz de hacer
- Cómo la automatización de la aprobación de préstamos cambia el movimiento de gestión de producto para toda la función de préstamos
- Cómo el despliegue de agentes en un departamento pone sobre la mesa cuestiones de gobernanza que afectan a todos los departamentos.
El ejemplo de aprobación de préstamos de Ng en realidad contenía la semilla de esto, al describir cómo el rediseño de flujos de trabajo de arriba hacia abajo desbloquea nuevos productos en lugar de solo una eficiencia incremental, pero las implicaciones a nivel de sistema sobre cómo deben estar estructuradas las organizaciones para ver y actuar sobre esas oportunidades no se desarrollaron.
El hallazgo de BCG de que el 52% de las organizaciones exitosas en IA ahora usan equipos multifuncionales de líderes de negocio y tecnología, frente al 5% del año anterior, sugiere que este es uno de los cambios estructurales más trascendentales en marcha. Las sesiones lo trataron como un trasfondo asumido más que como un desafío activo.
¿El patrón a través de las siete capacidades? Los líderes parecen estar más preparados en torno a las capacidades que se asemejan más al desarrollo de habilidades individuales (empatía, pensamiento de producto) y más débiles en las que requieren rediseño organizacional (pensamiento sistémico, paciencia estratégica, presencia).
Esa disparidad refleja algo real sobre el estado actual de la conversación en torno a la IA. El desarrollo de habilidades individuales es factible. Tiene proveedores, planes de estudio y métricas de finalización. El rediseño organizacional es más lento, más complicado políticamente y más difícil de encajar en una sesión de 45 minutos.
Así que la conversación gravita hacia lo que puede describir de manera concreta, y llamamos al resultado un marco de preparación.
Lo que realmente requiere ser accionable
La distinción entre preparación aspiracional y accionable no se trata de pesimismo frente a optimismo. Tanto Ng como Hart dejaron claro que las organizaciones que lo están haciendo bien están logrando avances reales.
Hart describió una gran firma de servicios profesionales que capacitó a 5,000 empleados en roles especializados de IA y una empresa global de tecnología donde la participación en Coursera se correlacionó con una mejora del 50% en la retención. Estos son resultados, no solo intenciones.
Lo que comparten esas organizaciones, según las descripciones disponibles, es que partieron de un problema empresarial específico y no solo de una meta genérica de preparación. La firma de servicios profesionales buscaba lograr mejores resultados para los clientes en compromisos habilitados por IA. La empresa tecnológica trataba de retener empleados que se volvían más efectivos. En ambos casos, el desarrollo de habilidades estaba anclado a algo lo suficientemente concreto como para ser evaluado.
Anghelina expresó este punto de la manera más directa, aunque en el contexto de esos bootcamps y el objetivo de optimizar el gasto en marketing para generar un 10% más de ventas. El mecanismo no es abstracto. El resultado es medible. El trabajo del empleado es averiguar cómo aplicar la IA para lograrlo.
«Cuando los usuarios ven el impacto de la IA en el negocio. Se vuelven más creativos. Las habilidades se desarrollan porque el problema es lo suficientemente específico como para desarrollarlas.
Aquí es donde muchos esfuerzos de recualificación se quedan atascados. Comienzan con habilidades porque las habilidades son legibles, entrenables y rastreables. Las cifras de inscripciones en Coursera son reales. Los datos de finalización de microcredenciales son reales. El 91% de los alumnos que informa resultados profesionales positivos en un plazo de seis meses es real. Pero las habilidades desvinculadas del contexto organizacional tienden hacia lo genérico. Y la preparación genérica no es preparación para nada en particular.
Franklin señaló lo mismo desde el área de RRHH cuando dijo que RRHH dedica aproximadamente el 60% de su tiempo a documentar lo que sucedió en el pasado.
La oportunidad no es hacer que RRHH sea mejor documentando. La oportunidad es liberar capacidad en RRHH para trabajar en problemas que realmente requieren juicio humano, problemas lo suficientemente específicos como para necesitar a alguien que entienda la organización, sus personas y las decisiones que realmente impulsan los resultados.
Una verdadera estrategia de preparación para IA comienza ahí. No con "¿qué habilidades necesita nuestra gente?", sino con "¿de qué debe ser capaz esta organización dentro de 18 meses que no puede hacer hoy, y qué debe aportar cada rol para lograrlo?"
Trabajar hacia atrás a partir de esa pregunta produce algo evaluable. El Marco de las Siete Capacidades existe precisamente para estructurar ese mapeo inverso, traducir un objetivo de capacidad de negocio en las capacidades humanas específicas necesarias para lograrlo y para evaluar la distancia entre el estado actual y el requerido con la suficiente precisión como para construir un programa de desarrollo en torno a ello.
La urgencia lo oscurece
Una dinámica que se refuerza en el circuito de conferencias, probablemente de forma involuntaria, es que la urgencia sustituye a la precisión.
Cada sesión a la que he asistido en las últimas seis semanas, ya fuera en los grandes salones de Transform, el escenario dramáticamente iluminado de HumanX o las sesiones de talleres en conferencias más pequeñas y locales justo aquí en Atlanta, donde vivo, todas ellas han hecho referencia al ritmo del cambio.
Varios ponentes señalaron que estar tres o cuatro meses atrás en las herramientas de codificación de IA más recientes, según el enfoque de Ng, produce diferencias de rendimiento material entre ingenieros. El mensaje implícito es que la velocidad de adopción es la variable principal.
Es una variable. Pero no es la principal.
Daniels lo dijo de forma más clara, aunque la conversación que lo rodeaba lo haya ocultado un poco.
«La velocidad más la claridad es increíble. La velocidad más la incertidumbre es solo caos.»
La mayoría de lo que ahora se denomina preparación para la IA se impulsa con velocidad. La urgencia es real en el sentido de que todos la sentimos y, al comprometernos con ella, la perpetuamos.
Pero las organizaciones que están generando verdadera ventaja competitiva a partir del desarrollo de una fuerza laboral con IA son aquellas que han definido con la suficiente especificidad hacia qué están construyendo, de modo que la velocidad tenga un objetivo claro.
La prueba es sencilla, y las sesiones de conferencias la demuestran inadvertidamente. Si tomara la definición de preparación para la IA propuesta en una de estas sesiones e intentara usarla para construir un programa de desarrollo para su organización, inmediatamente tendría que responder un conjunto de preguntas que la definición no aborda.
- ¿Qué roles son los más importantes para nuestra estrategia de IA específica?
- ¿Cómo se ve la capacidad en cada nivel y cómo la medimos?
- ¿Cuál es la secuencia de desarrollo que nos lleva del estado actual al requerido más rápido?
- ¿Qué cambios organizacionales deben ocurrir junto al desarrollo de habilidades individuales para que todo esto funcione?
Esas no son preguntas aspiracionales. Son operativas. Y responderlas es lo que distingue su capacidad de construir fuerzas laborales listas para IA de simplemente implementar programas de capacitación en IA.
La frase se ha convertido en una abreviatura para un objetivo en el que todos están de acuerdo. La estrategia consiste en el trabajo que sigue a decidir con precisión qué significa ese objetivo.
