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

David Rice: Así que tu equipo tiene curiosidad por la IA. Han visto las demostraciones. Han leído los artículos. Piensan que es interesante. Y no están haciendo absolutamente nada al respecto, porque la curiosidad sin confianza es solo postergación con mejor apariencia.

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

No curiosos, confiados. Esto es lo que hicieron diferente. Separaron la exploración de la expectativa. Sin presión por entregar resultados pulidos, sin esperar permiso, solo un camino estructurado desde el entendimiento, 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 mirando ese punto, revisando sus flujos de trabajo diarios y se paralizan. Y a veces los empleados senior que se supone que deben llevar la IA a la organización son los que más luchan, porque su identidad está ligada al flujo de trabajo que la IA acaba de volver obsoleto.

Hoy vamos a cubrir por qué se enfocaron en la confianza de los empleados, no en métricas de uso o metas de automatización. Los ejercicios semanales que impulsaron el avance, cómo pasar a las personas de tareas deterministas a probabilísticas, que es donde reside el verdadero impacto. Por qué los empleados junior pueden ser más nativos que los ejecutivos que lideran la transformación y cómo se ve en la práctica esa confianza de poco menos del 80%.

Soy David Rice. Esto es Personas que Gestionan Personas (People Managing People). Y si estás atascado entre la curiosidad y la implementación real, esta conversación te mostrará exactamente cómo una empresa cerró esa brecha. Así que vamos a ello.

Justin, bienvenido al programa.

Justin Angsuwat: Gracias, David. Un gusto estar aquí. Emocionado de conversar.

David Rice: Un placer tenerte.

Qué bueno darle seguimiento a nuestra conversación en Orlando. Lo he estado esperando desde entonces. Antes de entrar a fondo en Coach y todo lo que has construido, cuéntame cómo tus equipos comenzaron realmente a construir con IA. ¿Qué los hizo superar la etapa de curiosidad?

Justin Angsuwat: Bueno, si empezamos con la IA en general en la organización, empezamos primero creando ese momento "ajá".

Y eso en sí fue un aprendizaje para nosotros. Cuando comenzamos con nuestros equipos de producto, pasamos a otros equipos, lo que implicó partir de un objetivo, que para nosotros era. La confianza de los empleados usando IA. Sé que hay otros objetivos que se pueden usar, como el uso o la automatización, pero para nosotros estaba bastante claro que se trataba de las personas detrás de la tecnología.

Así que nuestro objetivo era mejorar la confianza de los empleados usando IA. Porque es un poco difícil medir un momento ajá. Así que lanzamos este programa de seis semanas, que estaba diseñado para separar exploración de expectativa, así que tenía la intención de ser para aprender, probar cosas, solo intentarlo. No se trataba de entregar un resultado pulido, lo que realmente quitaba presión y hacía que las personas se sintieran mucho más involucradas con una tecnología que era bastante nueva en ese momento.

David Rice: Lo que he visto hasta ahora en las empresas que hemos observado o con las que hemos hablado es que la curiosidad es bastante fácil, ¿cierto? Es decir, la gente quiere explorar. Pero el movimiento real, normalmente requiere estructura, claridad o idealmente una victoria compartida temprano. Y tengo curiosidad, ¿cómo fue esa transición para tu equipo? Mencionaste ese momento ajá.

¿Hubo algún empujón o una primera victoria que ayudó a las personas a pasar de “vamos a aprender de esto, 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 qué íbamos a poder hacer con ello.

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

Porque claro, no puedes tener un programa sin IA en el nombre. Lo que hicimos fue establecer fases, que en términos generales ayudaban a las personas a avanzar en ese viaje, del entendimiento a la experimentación y luego a la integración o uso diario. Aunque esa última parte es la más difícil y todavía estamos

intentando descifrarla. No fue perfecto, pero realmente ayudó a nuestros empleados a sentirse apoyados en vez de apurados o muy expuestos. Como si todos los demás están creando cosas y yo no sé cómo crear algo. Pero también era un equilibrio para no dejarles sentirse demasiado cómodos con el status quo.

Seguíamos moviéndonos de ese entendimiento a experimentación e integración. Y lo hicimos a través de mucho contenido, muchas sesiones de aprendizaje donde la gente podía entrar en las herramientas y crear cosas. Desde juegos de computadora hasta videos. Y luego compartíamos pequeños logros para impulsar más el avance.

Así que lanzaba estos ejercicios o competencias semanales en toda la empresa como crear un video generado por IA para nuestra marca empleadora o ese juego tipo Gandalf, en el cual intentas descifrar la contraseña y convencer a Gandalf de dártela. Ver quién podía llegar hasta esa última etapa y qué aprendieron en el proceso.

Y era realmente genial verlo, porque recuerdo que un empleado se emocionó tanto por crear un agente en solo unos minutos. Fue a casa, le contó a su pareja. Su pareja le dijo: ¿tú hiciste eso? Y él: sí, lo hice yo. Y entonces su confianza creció y la de todo el equipo a su alrededor también.

Porque pensaron: yo puedo hacer esto. Y eso fue lo realmente importante para impulsar el avance durante esas seis semanas: repetir constantemente ayudar a las personas a pasar del entendimiento, a la experimentación y la integración, y en esa parte de la integración, cómo hacerlo más relevante en su trabajo del día a día.

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

Simplemente lanzamos el programa y seguimos avanzando. Y recientemente compartí algo sobre esto en LinkedIn y lo interesante fue que alguien lo resumió con un comentario muy bueno que va a tu punto, David, que fue algo así como: Veo a muchas empresas saltar al último paso y decir: queremos ver todas las grandes ideas para mejorar nuestro trabajo con IA, pero no han comenzado realmente por equipar a la gente con la confianza básica para empezar; ese ha sido nuestro punto clave desde el principio.

David Rice: Lo otro es ayudar a la gente a entender lo que realmente es útil. Tengo curiosidad, ¿por qué crees que eso funcionó tan bien? Porque muchos otros enfoques se estancan, ¿cierto? Es decir, la gente se enfrenta a esto de “puedo hacer cualquier cosa”, pero luego viene el síndrome del lienzo en blanco: no sabes por dónde comenzar o simplemente piensas: no lo necesito realmente.

Cuéntame cómo logras que la gente haga las preguntas correctas, porque requiere matiz y contexto, ayudarles a entender qué darle a la IA para obtener lo máximo de ella.

Justin Angsuwat: Sí, eso ha sido difícil. De hecho, será nuestro último paso, que es cómo lo uso e integro en mi trabajo diario.

Creo que, bueno, seguimos trabajando en eso. El paso uno, lo que lo hizo exitoso fue que nos enfocamos mucho en la primera parte: ¿cómo hago que la gente se sienta realmente confiada usando IA, incluso sin encontrar todos los casos de uso aún? Creo que había una barrera mental que mucha gente tenía, que es: es demasiado difícil.

E incluso al atravesar este programa de seis semanas, algunas personas seguían los pasos, hacían los pequeños ejercicios para crear su juego de computadora, y después, en el flujo de trabajo diario normal, se intimidan de nuevo. Se quedan mirando la página en blanco.

Así que para algunos equipos lanzamos como un mini hackatón donde lo intentaron en grupos pequeños, y aun en esos equipos de tres personas, preguntaban: ¿tengo que hacer yo las indicaciones? ¿Puede hacerlo otro? ¿Dónde empiezo? Pero era un ambiente más seguro, y fue como el empujón que necesitaban para decir: bueno, supongo que me siento frente a la pantalla, voy a intentarlo. Y su momento ajá fue simplemente: no era tan difícil como pensaba. Así que no creo que lo hayamos resuelto del todo. Creo que la etapa uno es cómo crear esa confianza, y lo logramos. Así que lo medimos después del programa. Y la confianza usando IA en el trabajo diario fue de casi el 80% de toda la organización que se sentía confiada usando IA. Hubo como un 4% negativo. También medimos otra pregunta en el tiempo, que fue: exploramos y adoptamos nuevas tecnologías como la IA. Vimos una mejora de 24 puntos porcentuales hasta el 84%. Así que hay un fuerte avance y creencia en el uso de la IA. Y el siguiente paso, como señalas, es descifrar el código de cómo integrarla realmente en el uso diario.

Y ahí fue donde tú y yo tuvimos esa conversación en Orlando sobre no usarla solo como una mejor calculadora, sino como algo realmente diferente.

David Rice: Ahora mismo hay mucho ruido. Todo el mundo está abrumado por la cantidad de opciones de cómo usarla; y a menudo terminan decepcionados porque no saben exactamente qué información darle.

Y creo que lo que la mayoría necesita es ese primer paso que tenga sentido, y a partir de ahí seguir. Y me da la impresión de que el marco que implementaron dio permiso a la gente para dejar de esperar el caso de uso perfecto. Así que sí, me parece interesante que hayan podido desbloquear ese avance de esa manera.

Justin Angsuwat: Oh, iba a decir, sí, tienes toda la razón. Y lo que vemos en internet son cosas muy geniales y eso puede intimidar mucho, como: yo no estoy usando IA para eso. Yo apenas estoy aprendiendo a hacer un prompt. Así que sí, hay mucho ruido, pero también muchas cosas buenas ahí fuera.

Pero puede intimidar a la gente que quiere empezar y piensa: ni siquiera me acerco a eso, o eso fue creativo, ¿cómo pensaste en usar la IA para eso? Y ni siquiera sé hacer ingeniería de prompts, así que fue más bien limpiar un poco el ruido y decir: solo céntrate en este programa de seis semanas y te llevaremos a un nivel de confianza, incluso si ahora no podemos señalarte exactamente en qué deberías usar la IA.

David Rice: Hablaste de la calculadora, dejar de usarla solo como una mejor calculadora, y me encanta esa analogía. Tengo curiosidad, ¿qué ocurre o qué cambia cuando la gente hace ese cambio mental? ¿Cuál fue tu experiencia al vivir ese momento?

Justin Angsuwat: Estoy seguro de que hay muchos marcos de IA y curvas de madurez sobre cómo las personas piensan en esto, y sé que hablamos de ello.

Lo simplifico con mi propia visión, que de nuevo es bastante sencilla. Creo que en las organizaciones donde la IA transforma a las personas y al trabajo, veo dos niveles de cambio con la IA. El primer nivel es hacer algo más rápido o mejor. El segundo nivel es desbloquear algo totalmente nuevo.

Y sé que esto me lo inventé porque no es pegadizo ni tiene aliteración. Pero hemos hablado de la calculadora antes; pienso en el momento en que llegaron las hojas de cálculo, aún no había nacido, pero por lo que entiendo de esa época, era básicamente una mejor calculadora.

Y eso es esa primera fase de hacer algo más rápido o mejor, mejorar lo que ya conocíamos. Antes, los contadores usaban libros de cuentas en papel. Si querían cambiar un número, tenían que borrar y recalcular manualmente todas las variables dependientes, y eso llevaba horas.

Con una hoja de cálculo, podías cuadrar los libros en 5-10 minutos en vez de cinco horas. Así que tienes un boom de eficiencia, haces algo más rápido o mejor. Eso es lo que mucha gente busca en la IA ahora: ¿cómo automatizo algo repetitivo?

Pero el momento ajá viene cuando se desbloquea lo siguiente. Y si piensas en la hoja de cálculo, cuando estos cálculos se volvieron instantáneos, los contadores no eran solo calculadores de números: podían modelar escenarios. Así que podían preguntar: ¿qué pasa si bajamos un 10% los precios pero aumentamos un 20% el volumen? ¿Cómo afecta eso a los márgenes?

Dejaron de ser simples tenedores de libros (mirando hacia atrás) y se transformaron en planificadores de escenarios, en estrategas financieros, mirando hacia adelante, resolviendo problemas que ni sabían que tenían. Eso es lo que cambia cuando la gente hace ese cambio mental. Esa primera etapa, ¿cómo hago lo que ya hago más rápido o mejor? Pero la segunda es: ¿qué desbloquea esto que jamás había imaginado? Eso es difícil de describir hasta que lo vives.

David Rice: Sí. Y es interesante también, porque creo que es una de las razones por las que hay tanta cautela en las áreas de personas: cuando tienes el momento ajá piensas "puedo hacer todo esto" y enseguida te imaginas a legal contactándote.

Así que me pregunto qué será eso que ayuda a algunos a superar ese momento. ¿Hubo algo que, cuando empezaste a probarlo, pensaste: no sé acerca de esto?

Justin Angsuwat: Bueno, es cierto lo de legal y aunque bromeamos, hay que ser cauteloso con la IA, como dices.

Porque es mucho más fácil verificar una hoja de cálculo que confiar en una respuesta específica de la IA. Cuando hablamos de esto alrededor del concepto de, creo que lo llamamos teatro impresionante. Ilusión versus impacto. Y eso me puso a pensar de nuevo, y va a tu punto sobre volverse muy dependiente de la IA para algunas respuestas y que legal te termine llamando.

Creo que un buen ejemplo de teatro impresionante es la distinción entre tareas probabilísticas y deterministas y lo que hacemos. Para quienes no lo tengan claro, lo resumo con mi cerebro sencillo. Las tareas deterministas tienen una única respuesta correcta, como un cálculo matemático o algo legal (aunque también haya matices), pero las probilísticas tienen muchas posibles respuestas buenas.

Por ejemplo: redactar un correo o resumir una reunión. Puedes hacerlo de muchas maneras. Usar IA solo para tareas deterministas puede estar bien (por ejemplo: dime mis ingresos del Q4), pero en realidad estás usando un modelo probabilístico para un problema determinista. Eso puede ser más lento, tener alucinaciones o incluso ser menos preciso que, por ejemplo, una consulta SQL, en Excel o simplemente buscar el dato. Así que puede parecer genial, pero no usa la IA en todo su potencial y puede cometer errores. Ahí es donde entran las conversaciones legales cuando dependes demasiado de la IA para tareas donde hay una o pocas respuestas correctas. Por eso, prefiero usarla para tareas probabilísticas, como interpretar 500 comentarios de empleados y detectar las tres principales frustraciones emocionales. Una hoja de cálculo no puede medir eso. Para maximizar el impacto, hay que enfocar la IA en la interpretación de tareas probabilísticas más que en las deterministas.

Y eso está relacionado con las conversaciones de legal. A veces confiamos demasiado en la IA para tareas deterministas y le pedimos la respuesta, cuando en realidad solo hay una correcta. Ahí es donde nos podemos meter en problemas; yo soy muy cauteloso cuando la usamos en esos casos. Hay que revisar y verificar antes de aceptar la respuesta.

David Rice: Muy buen consejo, no puedo enfatizarlo lo suficiente.

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

Ya sea que incorpores empleados en diez países o gestiones contratistas en diferentes zonas horarias, Deel se encarga del cumplimiento, los beneficios y la nómina en un solo lugar, lo que significa menos herramientas, menos dolores de cabeza y más tiempo para enfocarte en tu gente. ¿Listo para ver cómo es realmente la contratación sin fronteras?

Visita deel.com/pmp. Eso es deel.com/pmp para reservar una demostración. Deel. Contrata, gestiona y paga a cualquier persona, en cualquier lugar.

Ahora ustedes han construido un Coach IA. Cuéntanos un poco cuáles eran las metas con eso.

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

Y tuvimos algunas conversaciones con personas en Orlando donde decían: yo no necesito coach. Los coaches son muy caros. Y digo que es más como tener un científico de personas en el bolsillo al que puedes preguntar: ¿cómo doy este feedback difícil? David necesita darte un feedback difícil y está nervioso porque yo no lo voy a recibir bien. Así que te guía en eso. En parte ayuda a los socios de RRHH o al equipo de personas a asesorar gerentes bajo demanda en toda la organización.

Pero es consciente del contexto. Eso marca la diferencia. Si preguntas a un modelo genérico de IA una situación, te dará la media de internet; un consejo técnicamente correcto pero poco útil en tu caso concreto. Como leer un horóscopo: vago y para todos. Así que ayuda a muy pocos. Pienso en las capas de contexto en un coach IA verdaderamente útil. Y son tres.

Primero está la base: cómo se entrena el coach. Si tú, David, preguntas al coach, sin dar más contexto, esa base no es internet, Reddit ni blogs aleatorios, sino ciencia de personas. Tenemos unos 1.500 millones de datos de cultura, personas y desempeño de una década y miles de empresas. Equipos de científicos de personas y PhDs diseñan y promtpean el coach.

Así que la base está construida sobre ciencia sólida de coaching y datos organizacionales. Después, encima de eso, el contexto organizacional: el coach sabe el contexto de tu empresa y se le pueden cargar fácilmente misión, estrategia, objetivos, valores, comportamientos asociados, incluso los marcos de feedback que usas. Así conoce tu empresa. Encima de eso, la capa de desempeño: datos de compromiso, desempeño, feedback, one-on-ones, etc. Así conoce a tu equipo, incluso a ti.

Con ese stack de contexto, no es un consejo genérico del tipo "escucha más", sino uno específico: dada la baja puntuación de tu equipo, nuestra nueva meta de radical candor y que expandimos a un nuevo país, déjame hacerte unas preguntas (como haría un coach) y luego usar este guion de personas científicas. Hagamos el role-play. Esa base. Así, esas tres capas de contexto marcan la diferencia y diferencian el coach IA del uso de un modelo generativo genérico.

David Rice: Todos hemos experimentado alguna vez una herramienta que funciona técnicamente, pero no sabe nada de ti, así que parece que...

No sé, no sé por qué le hablo a esto.

Justin Angsuwat: Lo debes ver mucho. Además, trabajas con muchos líderes de RRHH, construyendo muchas cosas. ¿Ves eso?

David Rice: Sí. He construido algunos yo mismo donde pensaba: ¿qué significa esto? Olvídalo. Uno termina diciendo: esto no ayuda.

Cuando hablas de sumar contexto como la dinámica de equipo, la historia de la empresa o las fortalezas individuales, realmente cambia el modelo del que muchos partimos. ¿Cuáles son las señales más poderosas que hacen que el consejo de IA sea verdaderamente relevante?

Justin Angsuwat: Varias cosas.

Uno, está construido sobre ciencia de personas y conoce tu contexto organizacional. Eso significa que como gerente, al interactuar con el coach IA, no tienes que explicar el contexto cada vez. Después de un tiempo puedes decir: ah, es mucha información que tengo que dar cada vez: tono, persona, etc. Sería ideal que llegara el momento en que, como coach IA, reconozca: has tenido estas conversaciones varias veces con esta persona, revisémoslo juntos.

Así que es poderoso que el contexto ya está allí. Y también hablamos de la diferencia entre empresa SaaS y de IA: el coach aprende y analiza la brecha entre útil y no útil, y eso sigue entrenando al coach para ser más poderoso. Puedo extenderme en eso, pero creo que no siempre se ve ese matiz: el coach mejora con feedback negativo.

David Rice: Escuché a alguien decir que quería que su empresa funcionara como una de IA y no solo SaaS. ¿Pero qué significa eso realmente en el día a día?

Justin Angsuwat: Operar como una empresa IA no es comprar licencias de copilots.

No se trata del software que compras, sino de cómo construyes y trabajas. Se nota en muchos aspectos, pero resalto uno fascinante basado en lo hablado del coach IA: el cambio de feedback explícito a implícito.

En SaaS, dependes de que usuarios te digan explícitamente cosas como "valora esta función 1-5 estrellas", o "¿te fue útil este artículo?", pero la realidad es que la gente solo hace click si está muy feliz o muy insatisfecha. Hay muchos datos que se pierden esperando ese feedback explícito.

Con mentalidad IA, te obsesionas con el feedback implícito. Si editas un correo generado (borras una frase), ¿es un fallo o solo una edición? Como empresa IA, ese es un gran dato: indicas al modelo que su predicción fue errónea en ese contexto. La diferencia entre lo que la IA creó y lo que acepta el usuario es entrenamiento de valor. Así que para IA, saber qué está mal es más útil que saber qué está bien.

SaaS quiere tu atención y feedback directo. IA quiere tu delegación: ser tan bueno que solo lo apruebes. Aprovecha esos "espacios negativos" (cosas no usadas/aceptadas) como señal para entrenar. Así la IA te conoce mejor cada vez.

David Rice: Es fascinante. Lo pregunto porque muchos se atascan al operacionalizarlo. Herramientas como Coach pueden ayudar, ¿no?

Creo que la diferencia es más experimentación, decisiones en tiempo real, menos pulido, más velocidad. ¿Tú qué piensas? ¿Qué cambia para los equipos cuando lo viven realmente?

Justin Angsuwat: Es solo una parte: el feedback explícito e implícito. También cambia cómo se desarrollan funciones: de waterfall clásico a algo mucho más ágil.

Para ingenieros y product managers el ajá fue: construí en una semana algo que antes tomaría meses. Prototipa rápido y ponlo en manos de testers y usuarios, en vez de planificar meses y meses. Eso ha cambiado mucho nuestro desarrollo de software. Pero tú trabajas con muchas empresas de IA. ¿Eso ves tú también?

David Rice: Sí, pienso que sí. Me dijiste antes algo que me marcó: diferencia entre ilusión e impacto. Que solo porque un flujo de trabajo sea sofisticado técnicamente no significa que sea necesario.

Y lo vivo: hay mucho IA ahora misma, se ve bien, pero ¿de verdad resuelve problemas? En el trabajo hay cosas que aceptar complejas está bien, es el trabajo. La clave es pensar dónde IA realmente da valor vs teatro impresionante.

Justin Angsuwat: Sí, y volvemos a lo dicho antes: depende de cada organización qué es teatro impresionante y qué no.

Pero fácilmente caemos en usar la IA para tareas deterministas donde solo hay una respuesta: será útil, pero no exprimes la IA. Es una hoja de cálculo rápida, y ni siquiera es tan buena en hojas de cálculo. Mejor es abordar el crédito para tareas probabilísticas, esas que nunca habíamos usado mucha tecnología antes, y ver qué podemos desbloquear que ni siquiera habíamos soñado para el futuro.

Por ejemplo, equipos internos de comunicación: usar IA para redactar guiones está bien, pero mejor aún, analizar todos los "all hands" del CEO, asesorar como si fueras experto de comunicaciones internas. Y una vez escuché a Claude (IA) decirle a un CEO: cuando das buenas noticias, empiezas con ellas, pero cuando son malas, comienzas por valores. El líder dijo: no sabía que hacía eso, y todos en la empresa lo notaron. Eso nunca lo habrías visto sin IA.

Teatro impresionante sería iterar con mejores IA para redacción, que también es útil, o buscar fragmentos en mis discursos. Pero el verdadero impacto viene con tareas probabilísticas: analiza miles de horas y dime qué hago bien y mal. Ahí está el verdadero poder de la IA.

David Rice: Es fácil confundir complejidad con efectividad. Ese será un reto para el liderazgo: mantener el foco en el valor cuando la tentación de presumir IA será grande.

Y no sé si eso va a cambiar rumbo a 2026, es difícil.

Justin Angsuwat: Hay que resolver primero el problema del negocio: ¿qué problema resuelvo? Y entonces diseño una herramienta para eso. Pero lo complicado con IA es que puede resolver problemas que ni sabíamos que existían.

Así que es difícil sentarse a pensar “ojalá resolviera esto”, cuando ni siquiera sabes el problema hasta que pruebas y hallas ese desbloqueo. Un CEO dijo una vez: si no has hecho 100 prompts en IA, tu opinión sobre IA no vale mucho para mí ahora mismo, porque no sabes. Por eso para nosotros fue clave la confianza: no sabes lo que puede desbloquear hasta estar ahí probando. Y esa será una parte fundamental del proceso para todos.

David Rice: Estás mapeando madurez de IA tanto en clientes como internamente. ¿Qué te sorprende de eso? Muchas empresas lo intentan, no sé cómo les va.

Justin Angsuwat: Aún estamos muy al principio en ese viaje, pero avanza a pasos agigantados. Siempre que lo reviso, hay algo nuevo, un paper reciente o lo que sea.

Así que aún estamos muy al principio, pero algo que no me sorprende del todo pero es relevante es, lo veo en muchas organizaciones: asumir que los seniors o de alto desempeño serán los primeros en dominar IA no siempre se cumple. Desaprender cómo hacías algo puede ser más difícil que aprender desde cero. Si es tu primer empleo, no te importa cómo se hace, sólo llegar al resultado. Si llevas 20 años, tu identidad se basa en el proceso, y la IA puede volverlo obsoleto en segundos.

Así que ahora los juniors pueden ser más avanzados en IA que los seniors que supuestamente deben liderar la adopción. Pero los seniors ahora aportan otras habilidades: en ingeniería, la arquitectura y el escalado son más relevantes que el código mismo. Así que aún no resolvemos ese cambio cultural. Todavía seguimos en una etapa complicada, pero es un reto común: cómo manejar empleados nativos en IA (los más jóvenes) junto con seniors que tienen razones de peso para cómo hacen su trabajo, pero también deben adaptarse a lo que la IA puede aportar.

David Rice: Es un reto, ¿no?

Me gusta que lo viven, porque es humilde darte cuenta que vamos aprendiendo sobre la marcha. Crees que vas adelantado y luego no sabes ni cuál es la curva.

Justin Angsuwat: Estoy en la curva, pero soy el único, ¿dónde están los demás?

David Rice: Me encanta oír experiencias reales de otros que están en ello. Gracias por compartir hoy. Fue de mucha ayuda.

Justin Angsuwat: Gracias, David. Gracias por invitarme.

Disfruté la conversación anterior y también esta, y sí, lo estamos viviendo día a día, sin plan anual sobre cómo descifrar esto, avanzando según avanzamos, encantado de compartir lo que sea: lo bueno, lo malo y lo feo.

David Rice: Eso es. Ser adaptable cada día, ¿no? Gracias de nuevo por venir. Fue un gusto.

Justin Angsuwat: Gracias a ti, David. Un abrazo.

David Rice: Bien, oyentes, hasta la próxima. Si no lo habéis hecho ya, aseguraos de estar inscritos en el boletín en peoplemanagingpeople.com/subscribe. Además, revisen nuestro Explorador de Transformación de IA.

Hasta la próxima, ¡sigan en ello! Todos lo descubriremos eventualmente.