Por qué la IA puede ser perjudicial para los empleados inexpertos — y cómo resolver este problema
Una de las principales ventajas de la inteligencia artificial generativa es su enorme flexibilidad para adaptarse a las solicitudes del usuario. Sin embargo, esa misma cualidad valiosa puede producir efectos negativos cuando el usuario no comprende bien lo que intenta hacer con la IA.
Sin el contexto adecuado, la IA interpreta las solicitudes de forma literal y, como resultado, amplifica la incompetencia de los usuarios inexpertos — del mismo modo que potencia las capacidades de los expertos.
La razón es clara: la IA se presenta como un interlocutor extremadamente inteligente y erudito. Esta percepción lleva a muchas personas a relajar su pensamiento crítico y a depender excesivamente de la IA.
Ni siquiera el siguiente hecho ayuda a corregir esta percepción: dentro de nuestro propio campo de experiencia, las respuestas de la IA a menudo no nos parecen profundas, convincentes ni siquiera correctas. Se trata de un fenómeno análogo al efecto de amnesia de Gell-Mann, pero aplicado a la inteligencia artificial en lugar de a los medios de comunicación.
¿Qué problemas genera esto en la calidad del trabajo de los empleados?
1. Problemas del uso de la IA en el entorno laboral
-
Sin suficiente experiencia previa en un tipo concreto de tareas, las personas no pueden obtener buenos resultados con los chatbots de IA convencionales, ya que en la mayoría de los casos no evalúan críticamente sus respuestas.
-
Además, el uso intensivo de la IA puede obstaculizar el aprendizaje de los principiantes. Es decir, los empleados sin experiencia inicial pueden no llegar nunca a aprender realmente a resolver bien esas tareas.
-
Si una persona con experiencia no ha proporcionado a la IA el contexto y las instrucciones adecuadas, las indicaciones de los principiantes desvían al modelo de lo que realmente importa, y la tarea fracasa. En otras palabras, alguien debe orientar a la IA desde el principio, no solo evaluar críticamente sus resultados después. Y precisamente los principiantes no saben priorizar lo importante.
Esto resulta especialmente evidente cuando no se trata de una tarea aislada, sino de un objetivo amplio — por ejemplo, cuando un product manager junior intenta analizar métricas de producto con ayuda de la IA.
En resumen, estos tres problemas pueden sintetizarse en una sola afirmación:
La ayuda de la IA resulta inútil, e incluso perjudicial, para empleados inexpertos que realizan tareas relativamente complejas. La IA solo permite obtener resultados de calidad aceptable cuando es supervisada por personas que ya dominan esas tareas sin IA.
Debido a esto, muchas organizaciones limitan el uso de chatbots de IA a tareas simples como la generación de resúmenes o la mejora de textos. Como consecuencia, el retorno de la inversión corporativa en IA se reduce significativamente.
En las secciones 3–5 analizaremos una solución típica a este problema, y en el próximo artículo abordaremos una solución más avanzada.
2. ¿Dónde se almacena normalmente la experiencia?
Spoiler: casi en ninguna parte.
La fortaleza de una organización radica en la coexistencia de empleados con distintos niveles de experiencia: juniors, mids y seniors.
-
Los profesionales más experimentados suelen estar sobrecargados y no pueden participar en todas las tareas donde son expertos. Además, según el principio de Peter, a menudo ya trabajan en áreas fuera de su especialización.
-
Los menos experimentados podrían resolver esas tareas con ayuda de la IA, pero sin el contexto adecuado los modelos tienden a alucinar y desviarlos del camino correcto. Y sin la guía de colegas expertos, no pueden detectar estos errores.
Tradicionalmente, el problema de la transferencia de conocimiento se resuelve mediante bases de conocimiento corporativas. Los expertos documentan procesos y buenas prácticas, y los principiantes consultan esta información para evitar reinventar la rueda.
La IA incluso permite automatizar la actualización de estas bases y optimizar su organización para búsquedas inteligentes. Sin embargo, incluso una base de conocimiento bien estructurada transmite principalmente información general. Es difícil capturar en ella habilidades prácticas y insights adquiridos durante la ejecución real de tareas.
Redactar instrucciones detalladas con capturas de pantalla o vídeos requiere mucho esfuerzo, por lo que se hace rara vez. Además, la IA es un mal redactor de instrucciones: carece de experiencia práctica real. Por ello, la experiencia aplicada casi nunca se transmite de forma asíncrona y hacerlo mediante reuniones y trabajo conjunto resulta costoso.
3. Asistentes de IA como método de acumulación de experiencia
Recordemos el objetivo principal:
Permitir que los empleados con poca experiencia obtengan resultados cercanos a los de expertos mediante el uso de IA.
La solución surge en la intersección entre este objetivo y el problema de transferencia de conocimiento:
Los empleados expertos deben poder crear fácilmente instrucciones y contextos para la IA, de modo que esta actúe no solo como ejecutor, sino también como guía experta.
Así, la IA no seguirá ciegamente indicaciones incorrectas de principiantes, sino que operará bajo el marco conceptual adecuado.
A estos sistemas se les suele llamar asistentes de IA: modelos dotados de contexto, reglas y prompts sistemáticos.
Cada área de especialización dentro de una empresa — marketing, contenido, eventos, producto, ventas — requiere su propio asistente. En grandes organizaciones, el número ideal de asistentes puede superar al número de expertos humanos.
4. Transferencia de experiencia vía IA: expectativas y realidad
Hoy en día es posible crear múltiples asistentes en plataformas como GPTs dentro de ChatGPT Team. En entornos empresariales rusos se utilizan soluciones open-source como Open WebUI o Dify.ai.
Sin embargo, los asistentes tradicionales funcionan bien solo para tareas simples.
Principales limitaciones:
-
Los flujos de trabajo complejos requieren múltiples pasos. La IA no puede seguir secuencias largas de manera fiable.
-
Escribir prompts complejos exige experiencia en prompt engineering, que la mayoría de expertos de dominio no posee.
-
Muchas tareas requieren integración con sistemas internos, lo que convierte el copy-paste manual en un cuello de botella.
5. Cómo ayudar a los empleados a crear asistentes de IA
Paso 1: Plataforma accesible
La empresa debe ofrecer una plataforma común donde cualquier empleado pueda crear y descubrir asistentes.
Paso 2: Asistentes simples y encadenados
Las tareas complejas deben dividirse en múltiples asistentes sencillos organizados en catálogos por tareas reales.
Paso 3: Soporte organizacional
1. Plantillas y herramientas
-
Catálogo interno de prompts.
-
Meta-asistentes que ayuden a generar prompts estructurados a partir de ideas caóticas.
2. Formación en
context engineering
No se trata solo de enseñar a escribir prompts, sino a definir correctamente el contexto. Aquí surgen los llamados AI champions.
3. Motivación organizacional
-
Mini-hackatones internos.
-
Reconocimiento del autor del asistente.
-
Fomentar que cada uno cree asistentes para facilitar su propio trabajo.
Conclusión
Mediante medidas organizativas y herramientas sencillas, es posible construir un ecosistema de asistentes de IA que permita la transferencia efectiva de experiencia dentro de la empresa.
Esto crea la base para una IA empresarial impulsada desde abajo, mucho más eficaz que los grandes proyectos centralizados impuestos desde arriba, cuyos resultados rara vez utilizan los empleados.
¿Qué sigue?
En el próximo artículo analizaremos por qué incluso este enfoque no resuelve completamente el problema y presentaremos una solución técnica más avanzada para la creación de asistentes de IA complejos.
ES 
EN