La brecha entre el uso de IA y la formación del equipo para supervisarla
El inventario de competencias del equipo que hice 8 meses después del inicio de la adopción de IA reveló una asimetría que debería haber anticipado pero que en el entusiasmo de la implementación había ignorado. El equipo había adoptado las herramientas de IA con alta velocidad: el 100% las usaba de forma regular. La formación sobre cómo supervisar los outputs de esas herramientas había sido prácticamente nula: nadie había recibido formación específica sobre las limitaciones técnicas de los modelos de lenguaje, los tipos de errores que producían con mayor frecuencia en el tipo de trabajo específico que hacía el equipo, o los mecanismos de detección de esos errores en el contexto de marketing B2B.
La brecha producía un riesgo específico que no era obvio en la operación cotidiana: el equipo supervisaba los outputs de IA usando criterios de revisión editorial estándar, que eran los criterios que sabía aplicar. Esos criterios eran efectivos para detectar errores de estilo, de tono y de coherencia narrativa. No eran efectivos para detectar los tipos de error que los modelos de lenguaje producen con mayor frecuencia: afirmaciones factualmente incorrectas presentadas con el mismo tono de confianza que las correctas, datos estadísticos que suenan plausibles pero que no corresponden a ninguna fuente verificable, y razonamientos que son lógicamente consistentes pero que parten de premisas incorrectas.
El programa de formación que diseñé tenía 3 módulos de 2 horas cada uno. El primer módulo era sobre cómo funcionan los modelos de lenguaje a un nivel conceptual accesible para no técnicos: qué tipo de "conocimiento" tienen, cómo generan texto, por qué producen afirmaciones incorrectas con confianza y cuáles son las características del output que aumentan la probabilidad de que algo sea incorrecto. El segundo módulo era de práctica de detección de errores: ejercicios con outputs reales de IA que contenían errores de distintos tipos, donde el participante practicaba identificarlos usando las señales que el primer módulo había descrito.
El tercer módulo era de aplicación al trabajo específico del equipo: qué tipos de errores eran más frecuentes en el tipo de contenido que cada área del equipo producía con IA y cuáles eran los pasos de verificación específicos que debían seguirse para los tipos de output más críticos. La formación no convirtió al equipo en expertos en IA. Los convirtió en supervisores más efectivos de los outputs de IA en su contexto de trabajo específico, que era exactamente el nivel de competencia que necesitaban para ejercer la gobernanza de forma efectiva.
La tasa de incidentes de outputs de IA en el mes siguiente al programa de formación fue la más baja del año. No porque la IA hubiera mejorado. Sino porque el equipo que la supervisaba tenía más herramientas para detectar los errores que la IA producía de forma predecible. La gobernanza de IA que depende solo de políticas y de protocolos sin formación del equipo para aplicarlos es una gobernanza de papel. La que combina políticas claras con equipo formado para ejecutarlas es una gobernanza operativa.