Cómo transformar la formación, la experiencia diaria y el uso de la inteligencia artificial en conocimiento compartido
Tiempo estimado de lectura: 10 minutos
Dos personas, un mismo problema y ningún aprendizaje compartido
Dos profesionales de departamentos diferentes intentan resolver el mismo problema con inteligencia artificial. Ninguno sabe que el otro está trabajando en ello.
La primera persona encuentra una forma de reducir considerablemente el tiempo necesario para preparar la tarea. Comprueba el resultado, corrige varios errores y termina desarrollando un método que funciona. La segunda obtiene una respuesta incorrecta, pierde confianza en la herramienta y decide no volver a utilizarla.
Las dos experiencias contienen conocimiento útil: una muestra una posibilidad; la otra, una limitación. Pero ninguna se comparte, se contrasta o se incorpora a la manera de trabajar. Para la organización, prácticamente no han existido.
Esta situación resume uno de los grandes desafíos de la adopción de la IA. Las personas están aprendiendo con rapidez, muchas veces mediante experimentos informales, mientras que las organizaciones todavía no siempre cuentan con mecanismos para observar, validar y conservar esos aprendizajes.
La cuestión ya no es quién utiliza IA
La inteligencia artificial generativa se utiliza para localizar información, resumir documentos, preparar propuestas, analizar datos, redactar contenidos, diseñar actividades formativas o explorar nuevas formas de ejecutar una tarea.
Ese uso puede mejorar el rendimiento individual. Sin embargo, la suma de muchos aprendizajes individuales no produce automáticamente aprendizaje organizativo. Una práctica útil puede quedar encerrada en un equipo; un error puede repetirse en varios departamentos; una respuesta aparentemente convincente puede circular sin haber sido validada; y una mejora puede desaparecer cuando la persona que la descubrió cambia de puesto.
La velocidad de adopción tecnológica está siendo mayor que la capacidad de muchas organizaciones para aprender de ella. Por eso, la pregunta relevante no es solamente cuántas personas utilizan IA o cuántos cursos han completado. La pregunta es qué hace la organización con lo que esas personas están descubriendo.
Desde el Observatorio te proponemos una reflexión: incorporar una herramienta puede ser relativamente rápido; desarrollar la capacidad colectiva para utilizarla bien exige aprendizaje, gestión del conocimiento, diseño del trabajo y gobernanza.
Qué demuestra la evidencia -y qué no-
Las investigaciones disponibles muestran mejoras relevantes en tareas concretas, pero también aconsejan evitar las generalizaciones.
Un estudio realizado con 5.172 agentes de atención al cliente encontró un aumento medio de la productividad del 15 % tras introducir un asistente de IA. Los mayores beneficios aparecieron entre los profesionales con menos experiencia. Los investigadores observaron que el sistema parecía difundir algunas prácticas de los agentes con mejores resultados. Sin embargo, los profesionales más experimentados obtuvieron mejoras menores y, en algunos indicadores, incluso se produjeron retrocesos [1].
Otro experimento, realizado con 758 consultores de Boston Consulting Group, identificó una frontera tecnológica irregular. En tareas situadas dentro de las capacidades de la IA, los participantes trabajaron más rápido, completaron más actividades y mejoraron la calidad. Fuera de esa frontera, la IA incrementó la probabilidad de llegar a una respuesta incorrecta [2].
Un ensayo controlado con 453 profesionales que realizaban tareas de escritura también encontró reducciones de tiempo y mejoras de calidad [3]. Pero estos resultados pertenecen a actividades delimitadas y adecuadas para la herramienta. No demuestran que cualquier uso de la IA mejore cualquier trabajo.
Una revisión de la Organización Internacional del Trabajo confirma esta lectura prudente: los beneficios observados son reales, pero desiguales, y el ahorro de tiempo no se convierte necesariamente en un aumento equivalente de producción, ingresos o calidad del empleo. El modo en que se organiza el trabajo sigue siendo determinante [4].
Lectura responsable de los datos: la IA puede acelerar el aprendizaje y la ejecución, pero su aportación depende de la tarea, la experiencia, la calidad de la información, la supervisión y el contexto organizativo.
Aprender una persona, aprender un equipo y aprender una organización
Para avanzar conviene distinguir tres niveles que a menudo se presentan como si fueran equivalentes.
| Nivel | Qué ocurre | Riesgo principal |
|---|---|---|
| Aprendizaje individual | Una persona descubre una solución o desarrolla una capacidad. | El conocimiento queda aislado o desaparece cuando cambia de función. |
| Aprendizaje compartido | Un equipo intercambia y contrasta sus experiencias. | La mejora no llega al resto de la organización o no se incorpora al trabajo. |
| Aprendizaje organizativo | El conocimiento validado se integra en procesos, herramientas y decisiones. | Puede volverse rígido u obsoleto si no se revisa y se retira. |
La diferencia no está en la cantidad de información disponible, sino en la capacidad para convertir una experiencia en una práctica colectiva. Ese proceso exige observar, contrastar, documentar, aplicar y revisar.
Un experimento de campo sobre transmisión de conocimiento comercial mostró que unas conversaciones breves y estructuradas entre compañeros mejoraron los resultados durante la intervención y después de ella. Ofrecer incentivos sin crear un mecanismo concreto para compartir el conocimiento no produjo el mismo efecto [5].
La conclusión es importante: Pedir colaboración no basta. Hay que diseñar momentos, formatos y responsabilidades que permitan que el conocimiento circule. Sin una estructura intencional, la colaboración compite con las prioridades diarias y tiende a perderse en la urgencia. Diseñar estos espacios reduce la fricción y convierte el intercambio de conocimientos en una parte intrínseca y natural del flujo de trabajo diario, en lugar de un esfuerzo adicional o dependiente de la voluntad individual.
El problema no se resuelve acumulando cursos
La formación será imprescindible durante los próximos años. Según la encuesta empresarial del Future of Jobs Report 2025, 59 de cada 100 trabajadores necesitarán algún tipo de formación antes de 2030 : 29 para actualizarse dentro de su puesto, 19 para reorientarse hacia otras funciones y 11 que podrían necesitarla sin llegar a recibirla. Son expectativas declaradas por los empleadores, no una predicción exacta, pero muestran la magnitud del desafío percibido [6].
En Europa existe además una distancia considerable entre necesidad y respuesta. Cedefop señala que el 42 % de los trabajadores considera que necesita competencias relacionadas con la IA, mientras que solamente el 15 % declara haber recibido formación en esta materia. La misma institución estima que alrededor de cuatro de cada diez trabajadores no puede utilizar plenamente las capacidades que ya posee [7].
La OCDE advierte de la ruptura que puede existir entre poseer una competencia y aplicarla. Una mayor capacidad individual no garantiza su uso en el puesto: también influyen la autonomía, las oportunidades de aplicación y la organización del trabajo [8].
La encuesta europea de formación y aprendizaje en el trabajo de Cedefop, basada en más de 44.000 trabajadores, identifica otros factores decisivos: apoyo de los responsables, objetivos claros, carga de trabajo asumible, autonomía y utilidad profesional de lo aprendido [9].
Consecuencia: una estrategia de aprendizaje no puede limitarse al catálogo formativo. Debe intervenir también sobre los procesos, el liderazgo, las herramientas y las oportunidades de aplicar lo aprendido.
Alfabetización en IA: más que aprender a escribir instrucciones
No toda la plantilla necesita convertirse en especialista. La OCDE estima que menos del 1 % de los trabajadores necesitará competencias avanzadas de IA. Para una proporción mucho mayor serán relevantes las capacidades digitales y de análisis de datos, combinadas con pensamiento crítico, comunicación, gestión y capacidad para interpretar resultados [10].
Por eso, una estrategia de alfabetización en IA debería adaptarse a las funciones y a los riesgos, y ayudar a responder preguntas concretas:
- ¿Para qué tareas puede utilizarse la IA y para cuáles no?
- ¿Qué información puede introducirse en la herramienta?
- ¿Cómo deben comprobarse la exactitud y la calidad de los resultados?
- ¿Qué sesgos, errores o limitaciones pueden aparecer?
- ¿Cuándo debe intervenir una persona experta?
- ¿Quién asume la responsabilidad de la decisión final?
- ¿Cómo se documentará y compartirá lo aprendido?
Este enfoque coincide con las orientaciones de la Comisión Europea sobre el artículo 4 del Reglamento de Inteligencia Artificial: las medidas de alfabetización deben considerar el conocimiento, la experiencia, la función, el contexto y los riesgos. La Comisión también señala que no existe una formación única válida para todos los casos y que limitarse a facilitar instrucciones puede resultar insuficiente [11]. Esta referencia orienta la reflexión, pero no sustituye un análisis jurídico específico.
La IA puede organizar el conocimiento y también degradarlo
La IA puede ayudar a localizar información, conectar contenidos dispersos, resumir documentos, personalizar el acceso al conocimiento e identificar patrones difíciles de detectar manualmente.
Una revisión sistemática de 40 publicaciones académicas concluye que estas tecnologías pueden apoyar la identificación, captura, almacenamiento y difusión del conocimiento. Al mismo tiempo, señala dificultades relacionadas con la calidad e integración de los datos, la resistencia organizativa, la ética, la gobernanza y la conexión con los procesos de trabajo [12].
Otra revisión sistemática identifica beneficios similares, pero advierte de obstáculos como los sistemas heredados, la falta de liderazgo, la resistencia al cambio, una formación insuficiente y los riesgos relacionados con privacidad, sesgo, responsabilidad y confianza [13].
La IA también puede acelerar la circulación de información incorrecta o desactualizada. Una revisión de 65 estudios alerta de que los sistemas de gestión del conocimiento pueden consolidar prácticas obsoletas cuando la información se codifica sin revisión, los algoritmos refuerzan siempre las mismas respuestas o la gobernanza es excesivamente rígida [14].
Gestionar el conocimiento no significa acumular documentos. Significa determinar qué información es fiable, para qué contexto resulta válida, quién responde de ella y cuándo debe corregirse o dejar de utilizarse.
Una propuesta inicial: el Ciclo ISYC de aprendizaje organizativo aumentado por IA
Como marco inicial de trabajo, abierto a contraste y evolución, proponemos un ciclo de seis fases Su objetivo es conectar los experimentos cotidianos con la mejora organizativa.
- Explorar. Identificar usos, necesidades, preguntas y experimentos reales. No se trata solo de inventariar herramientas, sino de comprender qué problema intenta resolver cada persona y qué información utiliza.
- Compartir. Crear espacios breves y estructurados para comunicar hallazgos, errores y dudas: comunidades de práctica, revisiones de proyectos, demostraciones o foros vinculados al trabajo.
- Contrastar. Comprobar los resultados con especialistas, evidencias y criterios internos. Una experiencia positiva no se convierte automáticamente en una práctica recomendable.
- Convertir. Transformar la experiencia validada en conocimiento reutilizable: una guía, un caso, una plantilla, una lista de comprobación, una actividad formativa o una regla de decisión.
- Aplicar. Situar el conocimiento allí donde se necesita: en un LMS como Moodle, en una herramienta, en un proceso, en la incorporación al puesto o en la ayuda contextual durante la tarea.
- Revisar. Medir la utilidad, recoger nuevas evidencias, actualizar el contenido y retirar lo que haya dejado de ser válido. Aprender también significa dejar de hacer aquello que ya no funciona.
Principio de diseño: Cada conocimiento crítico debe ser un activo vivo
No basta con documentar; el conocimiento debe mantenerse útil y aplicable. Para evitar que se convierta en "ruido" o información obsoleta, cada unidad de conocimiento debe estar definida por cuatro pilares:
- Contexto: dónde y cuándo resulta aplicable.
- Evidencia: qué datos, pruebas o validaciones lo respaldan.
- Responsable: quién resuelve dudas y mantiene el contenido.
- Revisión: cuándo debe comprobarse, actualizarse o retirarse.
¿Qué papel puede desempeñar Moodle LMS?
En este modelo, Moodle no se limita a alojar cursos. Puede convertirse en uno de los espacios que conectan formación, experiencia y conocimiento compartido.
- Formación diferenciada por funciones y competencias.
- Actividades basadas en problemas reales.
- Comunidades y casos para compartir experiencia.
- Conocimiento revisado, actualizado y conectado con el trabajo.
La norma ISO 30401 plantea precisamente la gestión del conocimiento como un sistema que debe establecerse, mantenerse, revisarse y mejorarse, no como un simple repositorio documental [15].
Cómo saber si la organización está aprendiendo
El número de asistentes o las tasas de finalización aportan información, pero no demuestran que el aprendizaje se aplique. Conviene combinar indicadores de participación con señales de uso y resultado:
- Frecuencia con la que se utiliza una práctica aprendida.
- Tiempo, calidad o errores antes y después de aplicarla.
- Número de equipos que reutilizan un aprendizaje.
- Problemas o riesgos detectados durante la aplicación.
- Mejoras incorporadas a procesos, guías o herramientas.
- Conocimiento revisado, actualizado o retirado.
- Preguntas nuevas que surgen del trabajo y regresan al sistema de aprendizaje.
Un estudio de Microsoft basado en una encuesta a 20.000 usuarios de IA y en datos de uso de sus plataformas encontró una asociación entre factores organizativos —cultura, apoyo del responsable y prácticas de talento— y un mayor impacto declarado de la IA. Al tratarse de un estudio empresarial basado parcialmente en percepciones, no demuestra causalidad, pero coincide con la evidencia que subraya el peso del contexto de trabajo [16].
¿Quieres saber si tu organización está lista para aprovechar la IA de forma colectiva?
Realizar el diagnóstico que te proponemos y descubre en qué punto se encuentra tu centro, identifica tus fortalezas y cuellos de botella clave, y obtén recomendaciones prácticas para impulsar tu madurez operativa.
Una forma realista de poner en marcha los cambios en 90 días
No es necesario implantar un sistema completo desde el primer día. Una primera experiencia de 90 días puede centrarse en un proceso, un equipo o un tipo de actividad con valor suficiente y riesgo controlable.
Primeros 30 días: observar
- Seleccionar un ámbito concreto y nombrar una persona responsable.
- Recoger los casos de uso actuales, incluidos resultados negativos.
- Identificar información sensible, riesgos y necesidades de validación.
- Establecer una línea base sencilla de tiempo, calidad o errores.
Días 31–60: contrastar y convertir
- Revisar las experiencias con las personas expertas necesarias.
- Seleccionar las prácticas que merecen probarse de forma controlada.
- Documentar problema, contexto, evidencias, limitaciones y responsable.
- Crear el apoyo necesario en Moodle o en el flujo de trabajo.
Días 61–90: aplicar y revisar
- Probar las prácticas con un grupo definido.
- Medir usó, resultado, errores y percepción de utilidad.
- Actualizar o retirar las recomendaciones que no funcionen.
- Decidir qué aprendizajes pueden extenderse a otros equipos.
La ventaja no está en utilizar más IA
La tecnología puede ampliar el acceso a la información, acelerar tareas y facilitar que determinadas prácticas expertas lleguen a más personas. Pero esas posibilidades no se transforman automáticamente en conocimiento organizativo.
La diferencia aparece cuando la organización observa lo que sus profesionales están aprendiendo, lo contrasta, lo convierte en una práctica accesible, lo incorpora al trabajo y lo revisa con el tiempo.
Idea clave: Una organización que solo acumula actividades y contenidos no necesariamente aprende. Una organización que aprende convierte la experiencia en mejores decisiones.
Este Observatorio nace para analizar precisamente ese espacio: no la tecnología de forma aislada, sino las condiciones que permiten convertirla en aprendizaje, conocimiento y capacidad organizativa. Porque incorporar IA puede ser relativamente rápido. Aprender colectivamente a utilizarla bien es un desafío mucho más profundo.
Referencias y lecturas utilizadas
Se han priorizado fuentes institucionales, investigaciones académicas y revisiones sistemáticas. Los estudios empresariales se presentan como evidencia complementaria y se identifican como tales.
- Stanford Graduate School of Business. Generative AI at Work Estudio de campo con 5.172 agentes de atención al cliente.
- Harvard Business School. Navigating the Jagged Technological Frontier Experimento con 758 consultores.
- Stanford SCALE. Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence Ensayo controlado con 453 profesionales.
- Organización Internacional del Trabajo. The impact of GenAI on jobs, productivity and work organization Revisión de evidencia empírica.
- National Bureau of Economic Research. Workplace Knowledge Flows Experimento de campo sobre transmisión de conocimiento.
- World Economic Forum. Future of Jobs Report 2025: Skills outlook Encuesta internacional a empleadores.
- Cedefop. Skills, productivity and job quality Datos europeos sobre competencias y formación.
- OCDE. How Workers Use, or Don’t Use, Their Skills in the Workplace Análisis sobre competencia y aplicación en el trabajo.
- Cedefop. Beyond training: what drives skills development at work? Encuesta de más de 44.000 trabajadores.
- OCDE. AI and skills: What we know so far Síntesis sobre capacidades y adopción de IA.
- Comisión Europea. AI literacy – Questions & Answers Orientaciones oficiales sobre alfabetización en IA.
- Frontiers in Artificial Intelligence. Navigating the AI revolution Revisión sistemática de 40 publicaciones.
- Information. Artificial Intelligence in Knowledge Management Systems Revisión sistemática mediante PRISMA.
- Scientific African. Knowledge management systems and organizational unlearning Revisión sistemática de 65 estudios.
- ISO. ISO 30401: Knowledge management systems Descripción pública de la norma.
- Microsoft WorkLab. 2026 Work Trend Index Estudio empresarial; se utiliza como fuente complementaria.