La capacitación terminó bien. El equipo probó la herramienta, celebró una respuesta útil y volvió a sus tareas. Un mes después, las licencias siguen activas, pero casi nadie recuerda en qué momento del trabajo debía abrirlas. La empresa tiene acceso a inteligencia artificial (IA); todavía le falta una práctica que merezca repetirse.
Para que un equipo adopte una herramienta de IA de forma sostenida, hay que comprobar qué problema resuelve, quitar las dificultades de uso y acompañar la práctica hasta que pueda repetirse sin ayuda. Si el beneficio desaparece al contar la revisión y las correcciones, abandonar ese uso puede ser una decisión razonable.
Esta guía se concentra en lo que ocurre después de la primera prueba: cómo investigar la caída de uso, recuperar un caso valioso y retirar los que añaden trabajo. Las pautas operativas son una propuesta editorial, no un método validado que garantice adopción.
Un registro de accesos muestra quién entró a una aplicación. No explica por qué dejó de hacerlo. Una persona puede haber perdido el permiso, encontrarse con documentos desactualizados o descubrir que revisar la salida exige más tiempo que resolver la tarea directamente. También puede no haber tenido una nueva ocasión de usarla.
Antes de hablar de resistencia al cambio, conviene reconstruir el último intento con quien ejecutó el trabajo. ¿Qué necesitaba terminar? ¿Qué información tuvo que preparar? ¿Dónde apareció una dificultad? ¿Cómo resolvió finalmente la tarea? Observar un caso concreto permite separar una promesa poco útil de un obstáculo corregible.
La investigación disponible ayuda a evitar expectativas uniformes. En Generative AI at Work, Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron la introducción gradual de un asistente entre 5.172 agentes de atención al cliente. Encontraron un aumento promedio del 15% en asuntos resueltos por hora, con diferencias importantes según experiencia y habilidad. Los trabajadores más experimentados obtuvieron pequeñas mejoras de velocidad y pequeñas caídas de calidad.
Ese resultado corresponde a una aplicación y un entorno específicos. No establece cuánto ganará cualquier equipo con otra herramienta. Sí ofrece una razón para revisar el efecto por tarea y perfil, en vez de exigir que todos obtengan la misma ventaja.
La siguiente tabla propone hipótesis de diagnóstico. Una señal no demuestra su causa: hay que contrastarla con una ejecución real y con la explicación de la persona.
| Señal observada | ¿Qué comprobar? | Primer ajuste posible |
|---|---|---|
| La persona nunca completó su primera tarea. | Acceso, permisos, instrucciones y disponibilidad de un caso adecuado. | Acompañar una ejecución de principio a fin. |
| La probó y volvió al procedimiento anterior. | Tiempo total, errores y pasos adicionales. | Quitar duplicaciones o limitar el uso a una subtarea. |
| Solo funciona cuando está quien la implementó. | Decisiones y conocimientos que quedaron sin documentar. | Probar el procedimiento con otra persona y registrar lo que falta. |
| Se usa mucho, pero el resultado requiere rehacerse. | Calidad de las entradas y criterio de aceptación. | Corregir la fuente o suspender el caso si no alcanza calidad suficiente. |
| El uso cae, aunque quienes la necesitan están satisfechos. | Frecuencia real de la tarea, vacaciones o cambios de demanda. | Medir por oportunidades de uso, no por días de conexión. |
El diagnóstico debe terminar con una decisión pequeña y comprobable. “Reforzar la cultura de IA” no indica qué cambiar mañana. “Eliminar la copia manual del resultado en dos documentos” permite verificar si disminuye una fricción concreta.
Para retomar una herramienta abandonada, conviene elegir una tarea recurrente cuyo resultado pueda revisarse. Por ejemplo, preparar un borrador de respuesta a consultas internas a partir de un procedimiento aprobado. Es preferible comenzar con información de bajo riesgo y con una persona capaz de detectar errores.
El acuerdo mínimo debe indicar cuándo se activa el uso, cuál es la fuente válida y dónde termina el trabajo. También debe fijar una salida alternativa: si falta un dato o la respuesta contradice el procedimiento, se vuelve a la fuente y se resuelve por el circuito habitual. La herramienta no puede convertirse en un paso obligatorio que bloquee la operación.
Una vez que el nuevo flujo funciona, hay que revisar qué actividad anterior deja de ser necesaria. Si la persona debe producir el mismo informe por dos vías durante meses, el costo de esa duplicación debe entrar en la evaluación. Durante una prueba puede servir comparar; mantener ambos caminos indefinidamente exige una razón concreta.
La selección inicial de procesos y presupuesto se desarrolla en nuestra guía sobre ¿Cómo implementar IA en una pyme?. Aquí la pregunta es más acotada: qué impidió que una tarea ya probada se incorporara al trabajo cotidiano.
En la encuesta de 2024 de la Organización para la Cooperación y el Desarrollo Económicos (OCDE), difundida en el informe Generative AI and the SME Workforce, solo el 23,6% de las pymes usuarias de IA generativa declaró que sus empleados participaban en formación relacionada con IA. El 28,6% había establecido directrices para el personal. La investigación abarcó más de 5.000 pymes de siete países; Chile no formó parte de esa muestra.
El capítulo sobre preparación de las pymes muestra una distancia entre usar la tecnología y preparar a las personas para hacerlo. Son respuestas de una encuesta, no una prueba de que un curso determinado evite el abandono.
Como pauta práctica, proponemos una secuencia sencilla: observar un ejemplo, ejecutar otro con acompañamiento y repetir después sin ayuda. La segunda ocasión autónoma importa porque permite descubrir si la persona recuerda cuándo usar la herramienta y sabe resolver una excepción. Una demostración impecable del instructor no comprueba ninguna de esas dos cosas.
El material de apoyo puede ser breve: una entrada válida, una salida aceptada, un error frecuente y la persona a quien consultar. Debe estar junto al trabajo, con una versión identificable. Si encontrar la guía exige recorrer cinco carpetas, la capacitación introduce su propia dificultad.
También hace falta reservar tiempo dentro de la jornada y explicar qué se espera del aprendizaje. Si el equipo teme que reportar fallos perjudique su evaluación, será más difícil conocer por qué abandona el uso. Conviene separar la exploración del piloto de las metas de producción y explicar cómo se utilizarán sus registros.
Un equipo puede revisar semanalmente cuántas personas tuvieron una tarea elegible y cuántas utilizaron el flujo acordado. Entre quienes lo probaron antes, interesa saber cuántas volvieron a usarlo cuando apareció una nueva ocasión. Así se distingue abandono de simple ausencia de demanda.
En un ejemplo hipotético, doce personas completan una prueba. La semana siguiente, ocho vuelven a tener una tarea elegible y cinco repiten el uso. La continuidad entre quienes tuvieron oportunidad es de cinco sobre ocho: 62,5%. Dividir por las doce personas originales daría 41,7%, pero mezclaría abandono con falta de ocasión. Ninguna de esas cifras demuestra que la herramienta mejore el trabajo.
Por eso conviene acompañar la continuidad con el tiempo total hasta obtener un resultado aceptado, las correcciones necesarias y los incidentes. Si preparar la entrada toma cinco minutos, generar la salida uno y revisarla diez, el proceso consume dieciséis minutos. Compararlo solo con el minuto de generación exageraría el beneficio.
Las muestras pequeñas sirven para descubrir dificultades, no para anunciar mejoras universales. Compare tareas de complejidad similar y registre qué cambió durante la prueba. Para valorar el tiempo liberado sin confundirlo con dinero ahorrado, puede consultarse nuestra explicación sobre el retorno de la IA en pymes.
Al iniciar la recuperación, el responsable del proceso debe fijar una fecha de revisión y criterios acordes con el riesgo. No existe una tasa universal de adopción aceptable. Un uso ocasional puede ser valioso; uno diario puede producir resultados deficientes.
Retirar exige conservar el aprendizaje: qué se probó, con qué casos y por qué se descartó. Si más adelante cambia la herramienta o la tarea, ese registro permitirá reconsiderar la decisión sin repetir la misma prueba a ciegas. Mantener una licencia solo para justificar una compra pasada no mejora la adopción.
Comprueba si volvió a tener tareas adecuadas para usarla y qué hizo en esas ocasiones. Una caída de accesos por sí sola no distingue abandono, falta de demanda o problemas de permisos.
No hay una frecuencia universal útil. Acuerda los casos en que aporta valor y evalúa calidad, tiempo total y continuidad cuando aparecen esas tareas. Premiar conexiones puede incentivar actividad sin beneficio.
Una práctica sobre tareas reales, con ejemplos aceptados, límites claros y apoyo para resolver errores. Comprueba después que la persona pueda repetir el proceso sin ayuda.
Cuando el resultado no alcanza la calidad necesaria, el costo completo supera la alternativa o no puede utilizarse con los datos y permisos disponibles. Documenta la decisión y conserva un procedimiento alternativo.
Nuestra interpretación es que la adopción duradera depende de que una herramienta se gane un lugar en la rutina. El abandono contiene información sobre el trabajo: puede revelar una promesa exagerada, una integración incómoda o una necesidad que nunca existió con suficiente frecuencia.
Una organización aprende cuando puede distinguir esas situaciones y actuar sobre ellas. Su madurez no se mide por conservar todas las herramientas que compra, sino por sostener las que mejoran resultados y retirar las que no justifican su lugar.