De la curiosidad a la confianza: Un marco práctico para la adopción de IA

David Rice: Así que tu equipo siente curiosidad por la IA. Han visto las demostraciones. Han leído los artículos. Piensan que es interesante. Y no están haciendo absolutamente nada con ello, porque la curiosidad sin confianza es solo procrastinar con mejores apariencias.

Mi invitado de hoy es Justin Angsuwat. Es el Director de Personas en Culture Amp y va a guiarnos por cómo su organización logró que casi el 80% de sus empleados se sintieran seguros usando la IA en solo seis semanas.

No curiosos, seguros. Esto es lo que hicieron diferente. Separaron la exploración de la expectativa. Sin presión por entregar resultados perfectos, sin esperar permiso, solo un camino estructurado desde el entendimiento, pasando por la experimentación, hasta la integración. Pero hay algunas partes incómodas con las que Justin está lidiando ahora.

La confianza no se traduce automáticamente en integración. La gente aún se queda paralizada al observar sus flujos de trabajo diarios. E incluso a veces, los empleados más veteranos, que se supone deben implementar la IA en la organización, son los que más luchan, porque su identidad está ligada a los flujos de trabajo que la IA acaba de volver obsoletos.

Así que hoy vamos a cubrir por qué se enfocaron en la confianza de los empleados y no en métricas de uso ni metas de automatización. Los ejercicios semanales que impulsaron el progreso, cómo pasar de tareas deterministas a probabilísticas —donde vive el verdadero impacto—, por qué los empleados junior pueden ser más nativos que los ejecutivos liderando la transformación, y cómo se ve realmente en la práctica poco menos del 80% de confianza.

Soy David Rice. Esto es Gestionando Personas. Y si estás atrapado entre la curiosidad y la implementación real, esta conversación te mostrará exactamente cómo una compañía salvó esa brecha. Así que entremos en materia.

Justin, bienvenido al programa.

Justin Angsuwat: Gracias, David. Es un gusto estar aquí. Con ganas de conversar.

David Rice: Un placer tenerte.

Me alegra poder retomar nuestra conversación en Orlando. He estado esperando esto, así que... Antes de que vayamos a fondo con el coach de IA y todo lo que han construido, háblame de cómo tus equipos realmente comenzaron a trabajar con IA. ¿Qué hizo que superaran la etapa de curiosidad?

Justin Angsuwat: Bueno, si empezamos hablando en general de la IA en la organización, lo primero fue crear ese momento "ajá".

Y eso en sí fue un aprendizaje para nosotros. Al empezar con nuestros equipos de producto, luego pasamos a otros equipos, lo que significaba empezar con una meta, que para nosotros fue la confianza de los empleados usando IA. Sé que hay muchas otras metas que podrían usarse, como uso o automatización, pero para nosotros estaba claro que se trataba de los humanos detrás de la tecnología.

Por eso nuestra meta era mejorar la confianza de los empleados usando IA, porque es difícil medir un momento "ajá". Así que lanzamos este programa de seis semanas, diseñado para separar exploración de expectativa, y era intencionalmente sobre aprender, probar cosas, simplemente lanzarse realmente. No se trataba de lograr un resultado perfecto, lo que realmente quitó presión y permitió que la gente se comprometiera con una tecnología que en ese momento era bastante nueva.

David Rice: Lo que he visto hasta ahora en las empresas que hemos visto o con las que hablamos es que la curiosidad es bastante fácil, ¿verdad? Es como que la gente quiere explorar. Pero el avance real, normalmente necesita algún tipo de estructura o claridad, o idealmente una victoria compartida pronto. Me da curiosidad cómo fue esa transición para su equipo, como mencionaste ese momento "ajá".

¿Hubo una especie de empujón o victoria temprana que ayudó a la gente a pasar de “vamos a aprender” o “esto es interesante” a “esto es lo que vamos a hacer con ello”?

Justin Angsuwat: Sí, eso fue fundamental, como acabas de decir, no teníamos tan claro lo que íbamos a hacer exactamente con ello.

Y ese no fue el momento "ajá". Lo interesante fue que los momentos "ajá" de las personas eran bastante diferentes entre sí. Así que fue muy difícil estandarizarlos. Lo que hicimos fue mencionar antes este programa de seis semanas que llamamos "AcceleraIAte", con IA en el medio, así que "aceleraIAte".

Porque sabes que no se puede tener un programa sin IA en el nombre. Lo que hicimos fue establecer fases, que en términos generales ayudaron a la gente a avanzar en esa trayectoria, pasándolos de entender, a experimentar, y después a integrar o usarlo en el día a día. Aunque esta última parte es la más difícil y todavía estamos...

Tratando de descifrar esa parte. No fue perfecto, pero realmente ayudó a que nuestros empleados se sintieran apoyados en vez de presionados o expuestos. Por ejemplo, si todos crean cosas y yo no sé cómo, pero también fue un equilibrio entre no dejar que se acomodaran demasiado en el statu quo.

Seguíamos avanzando de ese entendimiento a la experimentación y la integración. Lo hacíamos a través de mucho contenido, muchas sesiones de aprendizaje donde la gente podía entrar en las herramientas y crear cosas, desde juegos de ordenador hasta videos. Y compartíamos pequeñas victorias para impulsar más el impulso.

Entonces lanzaba estos ejercicios o competencias semanales en toda la empresa, donde, por ejemplo, debían crear un vídeo generado por IA para nuestra marca empleadora, o ese juego de Gandalf donde intentas adivinar la contraseña y convencer a Gandalf de que te la dé. A ver quién llegaba a la última etapa y qué aprendiste.

Fue muy divertido verlo, porque recuerdo que una empleada se emocionó mucho por crear este agente en solo unos minutos. Se fue a casa, se lo contó a su pareja. Su pareja le dijo: ¿Tú hiciste eso? Y ella: Sí, lo hice yo. Y entonces su confianza subió y la confianza de todo el equipo también.

Porque fue como “yo puedo hacer esto”. Y eso fue lo realmente importante para impulsar el impulso a lo largo de las seis semanas: este ciclo de ayudar a la gente a pasar por el entendimiento, la experimentación y la integración, y en esta última parte, cómo hacerlo relevante para su trabajo diario.

Como mencioné antes, nos queda mucho por hacer en ese aspecto, pero nuestro punto de partida fue al menos intentar usar las mismas herramientas que la gente podía usar en el trabajo, ya sea Miro, Glean, Gemini, Copilot, lo que sea. Nos asociamos con ellos, los invitamos, y cuando lanzamos este programa, no esperamos ni pedimos permiso.

Simplemente lanzamos el programa y seguimos avanzando. Recientemente compartí algo sobre esto en LinkedIn, y lo interesante fue que alguien lo resumió con un muy buen comentario relacionado con lo que mencionabas, David, algo así como:

He visto que muchas empresas saltan a la última parte y dicen: queremos ver todas las grandes ideas para mejorar nuestro trabajo con IA, pero realmente no han comenzado por equipar a la gente con esa base de confianza para empezar, y ese ha sido nuestro foco principal al inicio.

David Rice: La otra cuestión es ayudar a la gente a entender lo que realmente les resulta útil. ¿Por qué crees que eso funcionó tan bien? Porque muchos otros enfoques terminan estancados, ¿no? Como que la gente se enfrenta al “puedo hacer cualquier cosa” y entonces el lienzo en blanco los paraliza, o simplemente piensan que no lo necesitan.

Cuéntame cómo lograste que la gente hiciera las preguntas correctas porque se necesita matiz y contexto, ¿no? Ayudar a la gente a entender qué darle a la IA para obtener el mejor resultado posible.

Justin Angsuwat: Sí, eso ha sido difícil. O sea, esa será nuestra última etapa: cómo usarlo e integrarlo en el flujo de trabajo diario.

Creo que todavía estamos trabajando en ello. El paso uno, lo que hizo exitoso el programa fue que estuvimos muy enfocados en la primera parte: cómo lograr que la gente se sienta realmente segura usando IA, incluso sin haber encontrado todos los casos de uso todavía. Creo que existía esta barrera mental entre muchos:

Es demasiado difícil.

Y lo interesante era que incluso tras las seis semanas del programa, algunos seguían el proceso, hacían los pequeños ejercicios para crear su juego de ordenador, pero luego tenían que pasar a su flujo de trabajo diario y se intimidaban de nuevo. Volvían a la hoja en blanco.

Así que con algunos equipos lanzamos un pequeño hackatón donde trabajaban en pequeños grupos. Y aún así, decían: “somos un equipo de tres, ¿alguien más puede hacer las indicaciones?, ¿por dónde empiezo?”. Pero era un entorno más seguro y en cierto modo ese empujón que necesitaban. Así que simplemente lo intentaban. Y su momento "ajá" fue: "no fue tan difícil como pensaba", así que no creo que lo hayamos resuelto del todo. Creo que la etapa uno fue crear esa confianza, y lo logramos. Lo medimos después de hacer este programa. Y la confianza en el uso de IA en el trabajo cotidiano estaba justo por debajo del 80% de toda la organización.

El uso negativo fue del 4%. También medimos otra cuestión a lo largo del tiempo: “exploramos y adoptamos nuevas tecnologías como IA”. Vimos una mejora de 24 puntos porcentuales hasta llegar al 84%. Así que hay un fuerte impulso y una fuerte creencia en el uso de IA. Como dices, el siguiente paso es descifrar cómo integrarla realmente en el día a día.

Y ahí fue cuando tú y yo conversamos en Orlando sobre que no se trata solo de una mejor calculadora, sino de algo realmente diferente.

David Rice: Ahora mismo hay mucho ruido. Todo el mundo está abrumado por la elección de cómo va a usarla y a menudo terminan decepcionados porque no saben qué información es mejor darle.

Creo que la mayoría necesita ese punto de partida claro y avanzar desde ahí. Y parece que el marco que crearon dio permiso a la gente para dejar de esperar el caso de uso perfecto, ¿cierto? Así que, me parece interesante que hayan desbloqueado ese impulso de esa manera.

Justin Angsuwat: Sí, tienes toda la razón. Y lo que vemos ahí fuera en internet es que mucha gente hace cosas increíbles y eso puede intimidar, como: “no estoy usando IA para eso, todavía estoy aprendiendo a escribir una instrucción”. Así que sí, hay mucho ruido, pero también hay cosas muy buenas por ahí.

Pero puede intimidar tanto que quisimos simplificar el camino y decir: “concéntrate en el programa de seis semanas y llegaremos juntos al punto de confianza, aunque no podamos decirte exactamente en qué deberías usar IA ahora”.

David Rice: Ahora que mencionaste la calculadora: dejar de usar la IA solo como una mejor calculadora, me encanta esa analogía. ¿Qué sucede realmente, o qué cambia, cuando la gente hace ese cambio mental? ¿Cómo fue tu experiencia cuando llegaste a ese momento?

Justin Angsuwat: Estoy seguro de que hay muchos marcos de IA y curvas de madurez sobre cómo la gente piensa en esto, y sé que tú y yo hablamos de eso.

Lo resumiré con mi visión sencilla, aunque parezca simple. Creo que donde veo que la IA transforma a las personas y el trabajo dentro de las organizaciones, veo dos niveles de cambio con la IA. El primero es hacer algo más rápido o mejor. El segundo es desbloquear algo nuevo.

Esto lo he inventado yo porque no es pegadizo ni aliterativo. Hablamos de la calculadora, pero si pensamos en cuando surgieron las hojas de cálculo, por lo que sé de esa época, era básicamente una mejor calculadora.

Y eso lleva a esa primera fase de hacer algo más rápido o mejor: mejorar lo que ya sabemos. Antes, los contadores usaban libros contables en papel; si había que cambiar un número en un presupuesto, había que borrar y recalcular a mano todas las variables dependientes, lo que tomaba horas.

Pero con una hoja de cálculo, puedes cuadrar las cuentas en cinco o diez minutos en vez de cinco horas. Así que existe ese boom de eficiencia: hacer algo más rápido o mejor. Y veo que mucha gente ahora aprovecha la IA en ese sentido: automatizar tareas repetitivas.

Pero el momento "ajá" llega con el desbloqueo de lo que sucede después. Si pensamos en la hoja de cálculo, cuando los cálculos se volvieron instantáneos, los contadores dejaron de ser simplemente calculadores de números. Ahora podían hacer simulaciones. Así que en vez de simplemente recalcular rápido, el desenlace fue que podían modelar respuestas:

¿Y si bajamos precios un 10%, pero aumentamos el volumen un 20%? ¿Cómo afecta a los márgenes?

Pasaron de ser simples tenedores de libros, muy enfocados en el pasado, a planificadores de escenarios o financieros estratégicos, mirando hacia adelante, y terminaron resolviendo un problema que ni sabían que tenían. Eso es lo que cambia cuando la gente hace ese giro mental. Primero preguntas: ¿cómo puedo hacer más rápido o mejor lo que ya hago? Pero la segunda fase es: ¿qué puede desbloquear la IA que nunca había imaginado posible? Y es muy difícil describirlo hasta que has pasado por ese proceso.

David Rice: Es interesante, porque creo que por eso hay tanta reticencia en RRHH, ¿verdad? Porque cuando tienes el momento “ajá”: “puedo hacer todo esto”, luego tienes una pesadilla pensando en recibir la llamada del equipo legal.

Sí. Me pregunto qué será lo que ayude a algunos a superar ese momento. ¿Te pasó que, al usar IA, pensaste: “no sé si esto es correcto”?

Justin Angsuwat: Es cierto lo que dices del área legal y aunque bromeamos, hay que tener precaución con la IA, porque...

Es más fácil verificar una hoja de cálculo que confiar ciegamente en la respuesta de una IA. Cuando hablamos de esto, surgió el concepto de "teatro impresionante", ilusión frente a impacto. Y eso me hizo pensar de nuevo en tu punto sobre confiar demasiado en la IA y que legal venga a llamarte la atención.

Y un buen ejemplo de ese teatro impresionante es la distinción entre tareas deterministas y probabilísticas. Para quien no lo sepa, lo resumiré de manera simple: Las tareas deterministas suelen tener una respuesta correcta, como un cálculo matemático, o lo que es legal y no legal —aunque también haya grises—, pero las probabilísticas tienen muchas respuestas posibles.

Por ejemplo, cómo redactar un correo o resumir una reunión. Se puede hacer de muchas maneras. Usar IA solo para tareas deterministas puede estar bien, como “dame mis ingresos del Q4”, pero uses un motor probabilístico para un problema determinista. Eso lo hace más lento, puede alucinar, ser menos preciso que hacer una consulta SQL, hacerlo en Excel o consultarlo directamente. Puede verse genial, pero no aprovecha la IA a pleno y puede cometer errores. Ahí surgen los problemas legales por usar demasiado la IA en tareas deterministas o buscar que te diga LA respuesta única y correcta donde solo hay una o dos opciones, y eso puede meterte en problemas. Siempre conviene verificar doble o triple antes de seguir ciegamente su recomendación.

David Rice: Ese es un buen consejo, lo recalcaría todavía más.

Construir un equipo global no debería significar gestionar cinco sistemas para RRHH, nómina y TI. Deel lo reúne todo para que puedas contratar, incorporar, pagar y equipar a personas en cualquier lugar sin el caos habitual.

Tanto si contratas en 10 países como si gestionas autónomos por zonas horarias, Deel lleva el cumplimiento, los beneficios y la nómina a un solo lugar, así que menos herramientas, menos dolores de cabeza y más tiempo centrado en tu equipo. ¿Listo para ver cómo es contratar sin fronteras realmente?

Visita deel.com/pmp. Eso es deel.com/pmp para solicitar una demo. Eso es deel.com/pmp. Deel. Contratar, administrar y pagar a cualquiera, en cualquier lugar.

Ahora, han creado un coach de IA. Cuéntanos, ¿cuáles eran sus objetivos con eso?

Justin Angsuwat: El objetivo era tener un coach de IA siempre disponible, o como un científico de personas en tu bolsillo.

Tuvimos varias conversaciones en Orlando donde decían: “no necesito un coach, los coaches son caros”. Y yo diría que este coach es como tener un científico de personas en el bolsillo, al que puedes hacer preguntas: ¿cómo doy este feedback difícil?

Por ejemplo, David tiene que darte un feedback complicado y está nervioso porque tú no vas a recibirlo muy bien. Como guiar eso. Así que, en cierto modo, ayuda a los socios de RRHH o el equipo de personas a dar consejos a managers bajo demanda en toda la organización.

Pero es consciente del contexto. Y creo que ahí está la diferencia. El contexto marca la diferencia: si preguntas a un modelo genérico de IA cómo responder, te dará el promedio de internet; entonces, el consejo será correcto técnicamente, pero poco útil para tu caso. Como leer el horóscopo: tan vago que vale para todos. Pero no ayuda de verdad a nadie. Considero las capas de contexto que hacen útil al coach de IA y hay tres principales.

Primero, la capa fundamental: ¿cómo se entrena el coach? Si tú, David, escribes una consulta sin contexto, está entrenado no en el promedio de la red, sino en ciencia de personas. Tenemos unos mil quinientos millones de datos de cultura y rendimiento, guardados durante una década y miles de empresas. Y nuestro equipo de científicos (PhDs) —ellos son quienes diseñan y entrenan al coach.

La segunda capa: el contexto organizacional. El coach conoce el contexto de la empresa, subes todo: la misión, la estrategia, los objetivos, valores, comportamientos, los modelos de feedback (radical candor, SBI, etc...). Así que el coach sabe sobre tu empresa. Y la tercera capa es el desempeño: datos de compromiso, rendimiento, one-on-ones, feedback, lo que sea. Así sabe sobre tu equipo, sobre ti.

Cuando unes las tres capas, no recibes consejos genéricos tipo “escucha más”, sino recomendaciones específicas —por ejemplo— teniendo en cuenta los bajos niveles de engagement en el equipo, la nueva meta de franqueza radical y que la empresa está expandiéndose a un nuevo país, déjame preguntarte para entender la situación (como hace un coach) y luego usemos este guion concretamente diseñado por la ciencia de personas. Simulemos ese feedback. Esa es la capa fundamental. Las tres capas de contexto son la clave y diferencian a un coach de IA de usar simplemente un LLM o generador de IA genérico.

David Rice: Creo que todos hemos usado herramientas que técnicamente cumplen, pero no saben nada de uno y no tiene sentido interactuar con ellas.

Justin Angsuwat: Lo ves mucho, trabajando con líderes de RRHH, construyendo muchas cosas. Lo ves, ¿no?

David Rice: Sí, y yo mismo he creado alguna donde pienso: ¿de qué habla? Olvídalo. O sea, esto no ayuda.

Cuando hablas de capas de contexto: dinámicas de equipo, historia organizacional, fortalezas individuales... eso sí cambia por completo el modelo desde el que partimos. ¿Cuáles son las señales más potentes que hacen que los consejos de IA sean relevantes?

Justin Angsuwat: Varias cosas. Una, está fundamentada en ciencia de personas y sabe tu contexto organizacional. Como manager, no tienes que explicar el contexto cada vez. No sé si te ha pasado, pero llega un punto donde dices: "uf, cuánto contexto tengo que ponerle cada vez, tono, persona..." Estaría bien que el coach de IA, después de varias conversaciones previas, te diga: "¿qué está faltando?, repasémoslo".

Así que una cosa poderosa es que el contexto ya está ahí, y otra, hablamos de la diferencia entre empresa SaaS y de IA: el coach aprende constantemente y al detectar lo útil y lo que no, se va ajustando para ser cada vez más potente. Ese matiz, ese aprendizaje a partir del feedback negativo, es clave.

David Rice: Escuché a alguien decir que quería que su empresa operara como una empresa de IA y no solo SaaS. ¿Pero qué significa realmente cuando uno está en la oficina una mañana cualquiera?

Justin Angsuwat: Lo que sí sé es que operar como empresa de IA no es solo comprar muchas licencias de copilotos.

Se trata menos del software y más de cómo construyes y trabajas. Se manifiesta en muchas formas, pero te comparto una interesante: hay un gran cambio de feedback explícito a implícito. ¿Qué quiero decir? En el mundo SaaS, dependemos de que los usuarios nos digan explícitamente qué piensan, tipo puntúa esta función o pregunta habitual "¿te sirvió este artículo?". Pero los humanos solemos usar esas opciones solo si estamos muy contentos o descontentos. Así que se deja mucho dato sin explotar.

En cambio, en mentalidad IA, se obsesionan por el feedback implícito. Por ejemplo, si corriges un borrador, borras frases, etc. En SaaS sería simplemente una edición o incluso fracaso si lo borraste; en IA, el modelo aprende: “tu predicción en este contexto fue incorrecta”. Ese hueco entre lo que escribió la IA y lo que el humano deja al final, es dato de entrenamiento valiosísimo. Así que para una empresa de IA, saber lo incorrecto es incluso más útil que lo correcto.

En resumen: SaaS quiere tu atención (que uses la plataforma, que califiques), la empresa de IA quiere tu delegación: que puedas solo aprobar, y el modelo aprende de lo negativo para ajustarse y mejorar cada vez más.

David Rice: Fascinante. El motivo de cambiar de tema es porque me parece una ambición genial, pero muchos se atascan al convertirlo en comportamientos operativos reales. Herramientas como Coach pueden ayudar a lograrlo.

Creo que la diferencia es que en IA hay más experimentación, decisiones en tiempo real, menos pulido, más velocidad. A veces me equivoco, pero quitando el hype: ¿qué cambia para los equipos al empezar a vivirlo?

Justin Angsuwat: Bueno, lo del feedback explícito/implícito es solo una parte. También cambia el desarrollo de funcionalidades: del enfoque tradicional waterfall pasas a uno mucho más ágil.

Para nuestros ingenieros y product managers, el momento "ajá" fue ver que podían construir en una semana lo que antes requería meses e iterar rápidamente, prototipar, ponerlo en manos de usuarios y testear, en vez de largos procesos de planificación, calendario y ejecución clásica. Eso ha sido un cambio enorme para nosotros y me interesa saber si en las empresas de IA con las que trabajas ves lo mismo.

David Rice: Sí, así lo veo. Me dijiste algo antes que me marcó: la diferencia entre ilusión e impacto, que un flujo de trabajo sofisticado técnicamente no es necesariamente necesario. Yo mismo lo he experimentado: ahora mismo hay mucha IA que luce asombrosa, pero ¿realmente resuelve algo esencial? En el trabajo siempre habrá cierta complejidad. Y, como dices, se trata de identificar dónde la IA agrega valor real frente a dónde es solo espectáculo.

Justin Angsuwat: Sí, y volviendo a lo de antes, creo que depende de cada empresa distinguir entre espectáculo y valor. Lo más sencillo muchas veces es usar IA para tareas deterministas, encontrar una respuesta única y correcta —básicamente una hoja de cálculo rápida—, pero todos sabemos que la IA no destaca en hojas de cálculo. Así que lo clave es enfocarse en tareas probabilísticas, donde puede hacer cosas antes impensables.

Y creo que el espectáculo surge de las dos fases que antes comentamos: cómo hacer algo más rápido y cómo desbloquear lo nunca visto. Hay un cierto límite en la velocidad, llega un punto de rendimientos decrecientes y allí se gira al "pongamos otra capa de IA", reemplazando tareas sencillas y poco cruciales sólo para que luzca bien e impresione. Muchas serán útiles, pero el verdadero salto está en usarla para tareas probabilísticas verdaderamente complejas que la tecnología nunca había abordado.

Piensa, por ejemplo, en comunicaciones internas: puedes usar IA para redactar textos, pero lo más potente es pedirle que analice TODAS las presentaciones de CEO y aconseje como experto. Recuerdo un caso donde Claude le dijo a un CEO tras analizar todas sus intervenciones: “Cuando das buenas noticias, comienzas con ellas; cuando son malas, empiezas por los valores de la empresa”. El líder no se había dado cuenta y el equipo lo asociaba inconscientemente. Ese tipo de insights nunca hubieran salido sin IA: lograr lo inimaginable antes. Así que el espectáculo sería quedarse en hacer mejores borradores, el salto real es usar IA para tareas probabilísticas: “dime algo nuevo que ni sabía de mí mismo”, tras analizar de forma masiva y profunda. Ahí está el verdadero valor.

David Rice: Se puede confundir fácilmente complejidad con eficacia, ¿verdad? Creo que ese será uno de los grandes retos de liderazgo: mantener el foco en el valor cuando la tentación de lucirse con la IA es tan fuerte.

No creo que eso vaya a cambiar mucho en 2026.

Justin Angsuwat: Lo fundamental es resolver primero el problema de negocio, luego construir una herramienta para él. Pero lo difícil de la IA es que puede resolver problemas que ni sabías que existían. Así que es difícil simplemente sentarse a pensar: “ojalá pudiera solucionar esto”, porque hasta que no pruebas, no se te ocurre el problema potencial a resolver. Recuerdo a un CEO que dijo a su equipo directivo: "Si no has hecho 100 prompts en IA, tu opinión sobre IA no me sirve, porque no sabes todo lo que puede hacer". Por eso comenzamos por la confianza: no sabes los problemas que puedes solucionar hasta que no lo pruebas y de repente ves el desbloqueo, el potencial oculto que surge solo experimentando. Eso será vital en todo este viaje.

David Rice: Mides la madurez de IA no solo para tus clientes, sino también para tu propia organización. ¿Qué te está sorprendiendo? Muchas empresas intentan evaluarlo, no sé cómo les va.

Justin Angsuwat: Seguimos en las primeras etapas. Trabajamos mucho pero avanza a pasos agigantados. Siempre sale algo nuevo, un estudio nuevo. Aún es pronto, pero hay algo que aunque no es sorpresivo sí es notable y lo veo en muchas empresas: la suposición de que los empleados senior o de alto rendimiento serán los primeros en dominar la IA no siempre se cumple. Desaprender es más difícil que aprender. Si es tu primer trabajo, no te importa cómo se hace mientras llegues a la respuesta. Si llevas 20 años haciéndolo, tu identidad está ligada a cómo lo haces. Perfeccionaste el flujo, y la IA lo vuelve obsoleto rápidamente. Es un momento singular donde empleados junior pueden trabajar con IA mejor que los senior, que además son responsables de implementarla. Pero los senior todavía aportan habilidades clave: en ingeniería, por ejemplo, escalar y plantear arquitecturas es ahora más importante que programar. Será un gran reto cultural: aprender a combinar la natividad digital de los nuevos con la experiencia de los veteranos y lograr que ambos se adapten y colaboren.

David Rice: Es todo un reto, pero me encanta que lo vivan en carne propia porque es una experiencia humilde. A veces crees que vas por delante y luego no sabes ni cuál es la curva.

Justin Angsuwat: ¡Estoy fuera de la curva y soy el único aquí! ¿Dónde están los demás?

David Rice: Me encanta escuchar historias de quienes están viviéndolo y aprendiendo día a día. Gracias por compartir tu experiencia, ha sido muy útil.

Justin Angsuwat: Gracias a ti, David. He disfrutado nuestra anterior charla y esta también. Nosotros mismos estamos aprendiendo a diario, sin un plan anual de cómo solucionar esto, solo resolviendo el día a día. Siempre encantado de compartir lo bueno, lo malo y lo feo.

David Rice: Exactamente, ser adaptables cada día. Gracias por venir, ha sido un placer.

Justin Angsuwat: De nuevo gracias, David. Un placer.

David Rice: Muy bien oyentes, hasta la próxima. Si aún no lo has hecho, suscríbete al boletín en peoplemanagingpeople.com/subscribe. Y revisa nuestro Explorador de Transformación IA.

Hasta entonces, sigue viviéndolo. Al final lo lograremos.