Dos personas del mismo departamento, con la misma licencia de la misma herramienta de IA. A los dos meses, una la usa casi cada día y cuenta que le quita de encima el trabajo más pesado. La otra la abrió un par de veces, recibió respuestas flojas y volvió a lo de siempre. La reacción más habitual es pensar que una «tiene facilidad para esto» y la otra no. Casi siempre es una explicación equivocada, y además es mala noticia para el gerente: si fuera talento, no habría nada que hacer.
La diferencia suele estar en tres hábitos que se pueden aprender: pedir con claridad, revisar con criterio y volver a intentarlo ajustando. Y, sobre todo, en un entorno que facilite o dificulte practicarlos. Este análisis explica cada uno, qué dicen los estudios disponibles y cómo convertirlo en formación por puesto. Una advertencia desde el principio: sirve para diseñar la formación, no para puntuar a nadie.
La diferencia casi nunca está en la herramienta
Si la herramienta es la misma, la diferencia está en cómo se usa, en qué tarea y en qué contexto. Hay un estudio que ilustra una parte de esto. Con datos de 5.179 agentes de atención al cliente, la introducción escalonada de un asistente conversacional basado en IA generativa aumentó la productividad (incidencias resueltas por hora) un 14 % de media, y un 34 % en los trabajadores noveles o menos cualificados, con un impacto mínimo en los más experimentados y cualificados (Brynjolfsson, Li y Raymond, Quarterly Journal of Economics, 2025).
Ese resultado vale para un asistente concreto en una tarea concreta, la atención al cliente por chat, y no se puede trasladar sin más a otros puestos. Lo que enseña es otra cosa: el mismo asistente no produjo el mismo efecto en todas las personas, y fue mucho mayor en las noveles que en las más experimentadas. Sugiere que el resultado depende también de la persona, y no solo de la herramienta.
Tres habilidades que marcan la diferencia
| Habilidad | Quien la tiene | Quien se frustra | Cómo se entrena |
|---|---|---|---|
| Claridad al pedir | Dice para quién es, para qué sirve y cómo debe quedar | Pide algo vago y recibe algo genérico | Reescribir peticiones vagas con una plantilla de cinco preguntas |
| Criterio al revisar | Contrasta datos, nombres y tono antes de usar nada | Se lo cree todo o no se cree nada | Practicar con respuestas que llevan errores a propósito |
| Costumbre de iterar | Trata la primera respuesta como un borrador y la mejora | Abandona tras el primer intento | Ejercicios de tres rondas con una tarea real |
Claridad al pedir
Una herramienta de IA no sabe qué hay en tu cabeza. Si le pides «hazme un informe de ventas», obtiene un informe genérico. Si le dices a quién va dirigido, qué decisión debe ayudar a tomar, qué información de partida tienes, qué extensión quieres y qué no debe hacer, la respuesta cambia mucho.
Se entrena con una plantilla de cinco preguntas que cada persona rellena antes de pedir: ¿para quién es?, ¿para qué sirve?, ¿qué información de partida hay (sin datos personales de clientes ni de compañeros)?, ¿cómo debe quedar? y ¿qué no debe hacer? Reescribir unas cuantas peticiones reales del puesto ayuda a ver la diferencia.
Criterio al revisar
La IA escribe con seguridad, también cuando se equivoca. Quien saca partido es quien revisa con método: comprueba cifras, nombres y fechas, busca lo que falta y decide si el tono es el de la empresa. En una encuesta a 319 trabajadores del conocimiento sobre su uso de IA generativa en el trabajo (Microsoft Research, CHI 2025), una mayor confianza en la IA generativa se asoció con menos pensamiento crítico, mientras que una mayor autoconfianza del propio trabajador se asoció con más. Es una asociación entre percepciones declaradas: no demuestra causa ni mide la calidad del trabajo. Pero apunta a algo práctico: conviene entrenar la confianza en el propio criterio, no solo en la herramienta.
Un buen ejercicio es dar al equipo respuestas de IA con tres errores escondidos y pedirles que los encuentren. Es un ejercicio sencillo que enseña a leer con atención en lugar de aceptar sin más.
Costumbre de iterar
La primera respuesta es un borrador. Quien la mejora pide cambios concretos («más corto», «con un ejemplo de nuestro sector», «el segundo punto no es correcto porque…») y consigue un resultado muy distinto del primero. Quien abandona tras el primer intento se queda con la impresión de que la herramienta «no sirve».
Se entrena con ejercicios de tres rondas sobre una tarea real: pedir, revisar, ajustar. Y con un hábito de equipo: guardar en un documento compartido las peticiones que han funcionado para cada tarea, de modo que lo que una persona aprende lo aprovechen todas.
Lo que no es una habilidad individual: el entorno
Si miras solo a la persona, te pierdes buena parte de la historia. En el Work Trend Index 2026 de Microsoft (encuesta a 20.000 trabajadores del conocimiento que usan IA en el trabajo, en 10 mercados), los factores organizativos (cultura, apoyo de los jefes y prácticas de talento) explican más del doble del impacto de la IA declarado por los usuarios que los factores individuales como la actitud y el comportamiento: 67 % frente a 32 %. Ese «impacto» es un índice construido a partir de lo que dicen los propios usuarios, no una medida objetiva de productividad, y la encuesta la hace una empresa que vende IA. Aun así, la pista es clara: el entorno pesa.
Otro dato en la misma línea. Según el Work Trend Index 2024 de Microsoft y LinkedIn (encuesta autodeclarada a 31.000 trabajadores cualificados en 31 países), solo el 39 % de las personas que usan IA en el trabajo en todo el mundo había recibido formación en IA de su empresa. Muchas personas pueden estar aprendiendo por su cuenta, a ratos y sin ejemplos.
Antes de pensar que una persona «no vale», conviene hacerse estas preguntas:
- ¿Tiene tiempo en su jornada para probar y equivocarse?
- ¿Sabe qué datos puede introducir y cuáles no?
- ¿Ha visto algún ejemplo de uso en su puesto, no en uno genérico?
- ¿Hay alguien con quien revisar y corregir?
- ¿Se valora probar y compartir lo aprendido, o solo cumplir?
Si la respuesta a varias es no, el problema es del entorno, y no se arregla con un curso de una tarde.
Cómo convertirlo en formación por puesto
- Parte de tareas reales. Identifica dos o tres tareas repetitivas de cada puesto: preparar un presupuesto, responder una consulta, redactar un informe. Tienes ideas para decidir por dónde empezar en cómo identificar qué departamentos necesitan formación en IA.
- Practica con casos del negocio, no con ejemplos de manual. La formación sirve cuando la persona vuelve a su mesa y puede aplicarla esa misma tarde.
- Forma parejas. Quien ya usa la herramienta enseña a quien aún no, con la tarea de este último, no con la suya.
- Dedica quince minutos a la semana a compartir lo que ha funcionado y lo que ha fallado. Las peticiones que funcionan se archivan.
- Marca las reglas de datos desde el primer día: qué se puede introducir en una herramienta y qué no (datos personales de clientes, información confidencial). Los mandos intermedios tienen un papel clave, como explicamos en formación en IA para mandos intermedios.
- Revisa los resultados con indicadores del negocio, como el tiempo que tarda una tarea o las veces que hay que corregirla. Aquí ayuda cómo medir el impacto de la formación en IA. Y para fijar el coste de todo esto, cómo calcular el presupuesto de formación en IA para todo el año.
Y un límite importante: las decisiones sobre personas, como evaluar su rendimiento, promocionarlas o decidir quién sigue, las toma la dirección con criterios del puesto y, si procede, con asesoramiento profesional. Que alguien use la IA más o menos no debería convertirse en una nota. El análisis sirve para ofrecer mejor formación, no para clasificar a la plantilla.
Fuentes
- NBER / Quarterly Journal of Economics (2025): Generative AI at Work (NBER Working Paper 31161; QJE vol. 140, n.º 2, pp. 889-942)
- Microsoft Research, CHI 2025 (2025): The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers
- Microsoft (2026): 2026 Work Trend Index report: Agents, human agency, and opportunity
- Microsoft y LinkedIn (2024): 2024 Work Trend Index: AI at Work Is Here. Now Comes the Hard Part
Conclusión
Dos personas con la misma herramienta obtienen resultados distintos sobre todo por tres hábitos que se pueden entrenar (pedir con claridad, revisar con criterio e iterar) y por un entorno que ofrezca tiempo, ejemplos y apoyo. Tratarlo como una cuestión de talento cierra la puerta a mejorar; tratarlo como una cuestión de formación y de organización la abre.
En MG Solutions formamos a equipos de empresa en IA, por puesto y con casos reales de tu negocio, y también implantamos agentes de IA a medida.
Puedes ver cómo lo planteamos en nuestra página de formación en IA para empresas.
Si quieres ver cómo encajaría en tu caso, escríbenos y lo hablamos.