L

as organizaciones han avanzado rápidamente para poner las herramientas de IA en manos de sus colaboradores. Pero, a pesar de toda esta inversión, muchos líderes tienen dificultades para evaluar cómo va realmente. ¿Cómo se ve, en la práctica, un uso exitoso?

Para entender qué diferencia el uso rutinario de la IA de una colaboración avanzada entre humanos y tecnología, KPMG se asoció con investigadores de la Universidad de Texas en Austin. En conjunto, analizamos más de 1.4 millones de prompts y respuestas generados por aproximadamente 2,500 colaboradores durante un periodo de ocho meses. A partir de este análisis, construimos una definición de uso avanzado que va más allá de la ingeniería de prompts, priorizando instrucciones claras junto con estrategias aplicadas de manera deliberada, y descubrimos un conjunto de indicadores observables y de bajo costo, como el cambio entre modelos y el uso de prompts iniciales estructurados, que predicen un uso de alto nivel. Estos hallazgos ya se están integrando en los sistemas de talento, aprendizaje y desempeño de KPMG, y ofrecen un marco que cualquier organización puede utilizar para desarrollar y medir un uso más avanzado de la IA entre sus colaboradores.

Desglosando el uso avanzado

Al identificar quiénes eran los usuarios más avanzados dentro de la organización, encontramos una gran variedad en roles y niveles de antigüedad. Sin embargo, también surgieron patrones claros en común. Detectamos cuatro comportamientos distintivos que estos usuarios compartían:

— Abordaban el uso de la IA con ambición.

— Trataban a la IA como un socio para razonar.

— Delegaban tareas complejas con objetivos claros.

— Utilizaban la IA como una herramienta cognitiva general, no solo como un atajo de productividad puntual.

La investigación también reveló una tendencia sorprendente: los mejores usuarios solían estar por encima del nivel gerencial. Esto nos tomó por sorpresa, considerando la creencia general de que los colaboradores más jóvenes tienden a sentirse más cómodos con estas herramientas y a usarlas de forma más natural. Sin embargo, los hallazgos muestran que podría existir una diferencia importante entre comodidad y dominio.

¿Qué pueden hacer los líderes de forma diferente?

Los resultados sugieren que las empresas deben cambiar el enfoque de sus esfuerzos en IA: pasar de impulsar la adopción a moldear hábitos. El uso avanzado de la IA surge cuando las personas aprenden a estructurar problemas con claridad, guiar el razonamiento del modelo, evaluar críticamente los resultados y aplicar la IA de forma flexible en su trabajo.

Esto es en lo que deberían centrarse los líderes:

Desarrollar buenas prácticas basadas en la IA.

La investigación identificó comportamientos específicos que KPMG buscaba fomentar, por lo que los líderes los tradujeron en guías prácticas, explicaciones breves y redes de “embajadores” lideradas por pares que enfatizan cómo se ve el uso avanzado en el día a día. El objetivo es crear un entendimiento compartido de “cómo se ve un buen uso” que se refuerce en toda la organización.

Replantear el desarrollo de habilidades.

Los hallazgos redefinieron la forma en que KPMG aborda el desarrollo, con un enfoque en ayudar a las personas a ganar confianza sobre cómo trabajar eficazmente con la IA dentro del flujo natural de su trabajo. La organización invirtió en capacitación práctica, basada en la aplicación, desarrollada por equipos multifuncionales. Tanto en las oficinas como en las aulas virtuales, las sesiones basadas en situaciones reales sumergen a los profesionales en el trabajo real con clientes y en las tareas internas, con un fuerte énfasis en comportamientos avanzados de colaboración.

Establecer expectativas claras de crecimiento y desarrollo.

Este trabajo no se trata de cambiar los sistemas o procesos de gestión del talento, sino de tener claridad sobre cómo se ve un trabajo de calidad en un entorno habilitado por la IA. A partir de esta investigación, KPMG tradujo lo que implica un desempeño efectivo con IA en expectativas prácticas a nivel de rol y de tarea, reconociendo que el juicio de calidad se manifiesta de forma distinta según la función, el nivel y el contexto de ejecución.

G

ran parte de la conversación sobre cómo trabajar eficazmente con la IA generativa se ha centrado en la ingeniería de prompts. Estas habilidades son útiles, pero solo representan una parte de la historia. El verdadero beneficio aparece cuando los empleados aprenden a aplicar la IA generativa en su trabajo diario de una manera que mejore la forma en que trabajan. Esto exige definir problemas valiosos dentro de los flujos de trabajo, evaluar posibles soluciones, experimentar con rapidez e integrar nuevas prácticas de manera sostenible en el trabajo cotidiano, disciplinas que son fundamentales para la gestión de productos.

Si todos los empleados deben actuar como gestores de producto a la hora de adoptar la IA generativa, los directivos desempeñan un papel clave en la creación de las condiciones que hacen que este conjunto de habilidades sea visible, valorado y útil. Este artículo muestra cómo se aplican estas habilidades en la práctica y qué pueden hacer los directivos para fomentarlas.

Defina el problema a resolver y su valor

A diferencia de muchas tecnologías previas en el entorno laboral, la IA generativa es ampliamente aplicable y evoluciona con rapidez.

Los empleados necesitan desarrollar la capacidad de descubrir por sí mismos qué puede hacer la tecnología para apoyar su trabajo. Un gestor de producto comienza por especificar cómo se define el valor para los usuarios (qué necesidades tienen y cuáles son las más críticas). Esta es también la forma en que los empleados deben comenzar al abordar la IA generativa: decidiendo si buscan ahorrar tiempo, mejorar la calidad, reducir errores y/o ampliar el rango creativo.

Evalúe las opciones tecnológicas

Para desarrollar un producto de manera eficaz, los gestores de producto evalúan constantemente el abanico de soluciones técnicas disponibles y la forma en que cada una funciona, con el fin de identificar qué herramienta es la más adecuada para la tarea. De manera similar, existen distintos tipos de herramientas de IA generativa, por lo que vincular la herramienta correcta con el problema puede resultar complicado.

Los líderes pueden ayudar a los empleados a navegar este entorno enseñándoles a evaluar las herramientas de IA generativa en función de sus necesidades específicas, considerando:

— La interfaz y el flujo de trabajo.

— La integración de datos.

— La capacidad de la herramienta.

Para educar a los empleados sobre estas herramientas en constante cambio, establezca reuniones, boletines informativos y otros recursos que sirvan como ejemplo y demuestren su uso.

Experimente

Una gestión de productos eficaz depende de la experimentación a lo largo del ciclo típico de desarrollo. Esto permite refinar rápidamente el valor de una solución. De manera similar, el ensayo y error es necesario para que los empleados prueben soluciones y desarrollen flujos de trabajo con IA que realmente generen valor.

Integre

Los gestores de producto saben que una funcionalidad brillante es inútil si no encaja en el ecosistema existente del usuario.

Los líderes pueden ayudar a los empleados a cerrar esta brecha fomentando dos tipos de interoperabilidad:

1. Técnica. Anime a los empleados a preguntarse: “¿A dónde necesito realmente que vaya esta información?” En lugar de copiar manualmente resúmenes generados por IA en un sistema de seguimiento de proyectos, un empleado con mentalidad de producto busca formas de automatizar esa transferencia.

2. De procesos. Las herramientas de IA generativa a menudo pueden modificar el orden necesario de las operaciones dentro de un equipo. Cuando una persona automatiza una tarea, se genera un efecto en cadena para quien recibe posteriormente ese trabajo. Los directivos deben ayudar a los empleados a rediseñar roles y rutinas, asegurando que el nuevo flujo de trabajo potenciado por IA no genere cargas desiguales ni cuellos de botella.

La adopción de la IA generativa en el trabajo rara vez fracasa porque las personas no sepan redactar buenos prompts. Fracasa porque los empleados tienen dificultades para visualizar cómo la IA encaja en sus flujos de trabajo reales, y porque los primeros intentos suelen percibirse como ineficientes, frágiles o difíciles de sostener. Los directivos que logran el mayor impacto no resuelven esto imponiendo su uso ni ofreciendo más capacitación técnica: hacen visible el camino hacia el valor.