El 80 % de los empleados deja de usar la IA en secreto después de 3 semanas; aquí está el porqué
La mayoría de las organizaciones creen que tienen un problema de adopción de IA. En realidad, tienen una brecha en la capacidad de gestión.
El caso de Microsoft
Según una historia no confirmada por Microsoft, la empresa implementó Copilot para más de 300,000 empleados en 2025. Aunque al principio todos estaban entusiasmados y deseosos de usar la IA, los usuarios pronto se dieron cuenta de que los resultados eran a menudo demasiado genéricos o completamente erróneos. Corregir estos errores terminó tomando más tiempo que realizar las tareas por sí mismos.
Como resultado, el uso cayó más del 80% en solo tres semanas. Solo un pequeño grupo de usuarios avanzados continuó utilizando la IA, aunque quienes lo hicieron lograron resultados sorprendentes.
La caída de las tres semanas
La investigación a gran escala en empresas muestra una trayectoria común. El entusiasmo alcanza su punto máximo durante las primeras semanas mientras los empleados experimentan con la IA para ayudarlos a redactar correos electrónicos, resumir documentos o analizar información. Luego aparece la frustración.
Los usuarios piden ayuda a la IA con una tarea real. El resultado parece plausible pero genérico. Lo intentan de nuevo y reciben respuestas seguras pero sutilmente incorrectas. Después de algunas iteraciones, muchos deciden que verificar, corregir o rehacer el resultado lleva más tiempo que hacer la tarea ellos mismos. La conclusión es simple y, a menudo, definitiva: esto no es lo suficientemente confiable para mi trabajo.
La IA no es una habilidad de herramienta—es una habilidad de gestión
La pequeña minoría de usuarios que persiste en este valle tiende a descubrir algo poco intuitivo pero poderoso: la IA no necesita mejores prompts. Necesita mejor gestión.
Los usuarios exitosos de IA no tratan al sistema como un oráculo mágico. Lo tratan como un colaborador capaz pero inexperto—uno que necesita dirección clara, tareas delimitadas, supervisión y control de calidad. En otras palabras, usan la IA de la misma manera en que los gerentes efectivos lideran a las personas.
Las habilidades que predicen el éxito con la IA no son nuevas competencias técnicas. Son las mismas habilidades que siempre han definido el liderazgo y la ejecución sólidos: juicio, delegación, descomposición de tareas, refinamiento iterativo y experiencia en el dominio. La IA amplifica estas habilidades, pero no las reemplaza. Sin ellas, la IA simplemente acelera la confusión.
Cómo el mercado de la formación perdió el enfoque
La mayoría de la formación corporativa en IA hoy cae en uno de dos extremos. Por un lado está la alfabetización básica en IA: descripciones generales de herramientas, consejos para escribir prompts y demostraciones genéricas de lo que sistemas como ChatGPT pueden hacer. Esta formación es necesaria, pero solo sirve para empezar.
Por otro lado está la formación técnica avanzada dirigida a desarrolladores: APIs, generación aumentada por recuperación, ajuste fino, infraestructura y despliegue. Este contenido es esencial para los constructores, pero irrelevante para la mayoría de los trabajadores del conocimiento.
Lo que falta es la capa intermedia—el “nivel 201” de capacidad en IA. Aquí es donde la pregunta pasa de “¿Cómo uso esta herramienta?” a “¿Dónde encaja esta herramienta en mi flujo de trabajo y cuándo debo confiar en ella?” Esa pregunta no es técnica. Es fundamentalmente sobre juicio aplicado.
La naturaleza irregular de la capacidad de la IA
Una razón por la que esta capa intermedia es tan importante es que la capacidad de la IA es desigual. Los sistemas de IA no son uniformemente buenos o malos en categorías de trabajo. Sus fortalezas forman una frontera irregular.
Los estudios que comparan profesionales trabajando con y sin IA lo ilustran claramente. Cuando las tareas caen dentro del límite efectivo de la capacidad de la IA, el rendimiento mejora drásticamente: más producción, finalización más rápida y, a menudo, mayor calidad. Pero cuando las tareas caen justo fuera de ese límite, el rendimiento puede degradarse por debajo del nivel base. Los usuarios se vuelven más confiados y más equivocados al mismo tiempo.
El peligro es sutil porque la IA a menudo falla en tareas que parecen estar dentro de su alcance. Sin un juicio sólido sobre dónde la IA ayuda y dónde perjudica, las organizaciones corren el riesgo de intercambiar velocidad por una erosión silenciosa de la calidad.
Lo que realmente enseña el nivel 201
El nivel 201 de capacidad en IA no se centra en las herramientas, sino en cómo se realiza el trabajo. Enseña a las personas a decidir qué partes de una tarea debe manejar la IA, cuáles requieren supervisión humana y cómo estructurar la verificación para que los errores se detecten temprano y no al final.
En este nivel, los usuarios aprenden a reunir contexto de manera deliberada en lugar de volcar información a ciegas. Aprenden a evaluar la calidad en varios niveles—no solo si un documento suena bien, sino si afirmaciones, supuestos y conclusiones específicas se sostienen. Aprenden a dividir trabajos complejos en subtareas adecuadas para la IA y a tratar los primeros borradores como material en bruto y no como resultados finales.
Lo más importante es que aprenden a reconocer cuándo la IA está operando fuera de su competencia. Esta habilidad de reconocer la frontera es lo que evita que la IA degrade silenciosamente las decisiones, el análisis y el juicio con el tiempo.
De la actividad en IA a la fluidez en IA
La diferencia entre el uso superficial de la IA y una ventaja duradera con IA no es qué herramientas implementa una organización. Es si la organización ha invertido en la capa de juicio que hace que esas herramientas sean confiables.
El nivel 201 es donde la productividad se multiplica sin sacrificar la calidad. Es donde la adopción deja de ser frágil y comienza a ser habitual. Las organizaciones que ignoran esta capa intermedia seguirán polarizadas: un pequeño grupo de usuarios avanzados avanzando rápidamente y una gran mayoría desconectada y no convencida.
La buena noticia es que este problema tiene solución. Pero requiere cambiar la conversación de los prompts y las plataformas hacia la gestión, el juicio y cómo realmente se realiza el trabajo.
Ese es el verdadero reto de la adopción de la IA—y la verdadera oportunidad.
