El informe State of AI in the Enterprise 2026 de Deloitte se basa en una encuesta a más de 3.200 líderes de negocio y tecnología en 24 países, y deja una paradoja difícil de ignorar. Las empresas señalan la falta de habilidades de sus equipos como la mayor barrera para integrar la inteligencia artificial en su operación. Y la respuesta más frecuente a ese problema ha sido la formación, por delante del rediseño de cargos o de procesos.
A primera vista es una reacción lógica: si falta conocimiento, se capacita. El problema aparece cuando la capacitación se diseña como un recorrido por herramientas. Un equipo que aprende a redactar buenas instrucciones o a resumir documentos gana familiaridad con la tecnología, y eso tiene valor. Pero la familiaridad no se convierte sola en resultados. La capacidad empresarial sale de un caso aplicado, con un responsable, una línea base y un indicador que la empresa ya sigue. Esa diferencia debería definir cómo se invierte en formación en IA.
Mucho uso, poco impacto
La encuesta global de McKinsey sobre el estado de la IA, publicada en noviembre de 2025, mide esa distancia. Solo el 39% de los encuestados atribuye algún impacto en el EBIT de su organización al uso de IA, y la mayoría de ese grupo lo sitúa por debajo del 5%. Las empresas que McKinsey llama de alto desempeño, que atribuyen a la IA al menos el 5% de su EBIT, son cerca del 6% de la muestra.
En América Latina la situación es parecida. Un análisis del Foro Económico Mundial y McKinsey, publicado en enero de 2026, estima que solo el 23% de las organizaciones de la región obtiene alguna ganancia de la IA, y que apenas para el 6% esa ganancia es significativa. El mismo trabajo señala que solo el 10% de los encuestados tiene su estrategia empresarial vinculada de forma sistemática con la IA.
Los pocos que capturan valor se distinguen por algo menos visible que el acceso a mejores modelos. Según McKinsey, las empresas de alto desempeño tienen casi tres veces más probabilidades de rediseñar a fondo sus flujos de trabajo al implementar IA, y ese rediseño es uno de los factores que más pesan en el impacto. El valor aparece cuando alguien decide qué proceso cambia y cómo se va a medir el cambio. Esa decisión rara vez forma parte de un curso de herramientas.
Lo que deja un curso y lo que deja un caso
Al terminar un curso de herramientas, un colaborador sabe usar un asistente de IA con más soltura. Al terminar un caso aplicado, la empresa sabe algo sobre sí misma: cuánto le cuesta un problema, qué datos tiene para resolverlo, quién responde por él y si la solución movió el indicador. Lo primero es una ganancia individual que se diluye si no se practica. Lo segundo es un activo de la organización.
Un caso bien planteado reúne cinco elementos: un problema con un costo identificable, un responsable con autoridad para cambiar el proceso, una línea base medida antes de intervenir, un KPI que la empresa ya sigue y un plazo corto para ver el efecto.
Un comercio que vende en línea ofrece ejemplos claros:
- Pronóstico de demanda: se justifica si se mide contra los quiebres de inventario o contra el capital inmovilizado en producto que no rota.
- Asistente de servicio al cliente: se justifica si reduce el tiempo de primera respuesta o el costo por contacto sin deteriorar la satisfacción.
- Segmentación y predicción de abandono (churn): se evalúan por su efecto en la tasa de recompra.
- Optimización de campañas: se evalúa por el costo de adquisición de clientes.
La misma lógica funciona fuera del comercio electrónico. En talento humano, el indicador puede ser el tiempo de contratación; en finanzas, los días de cartera.
En todos los casos el orden es el mismo: primero el problema, luego el dato, después la herramienta y al final la medición. Buena parte de la formación en IA recorre ese camino al revés.
Cómo escoger un caso que merezca la inversión
No todo problema merece un caso de IA, y escoger mal tiene costos. Algunos criterios ayudan a filtrar:
- El problema debe ser frecuente. Un ahorro pequeño repetido miles de veces vale más que uno grande que ocurre una vez al año.
- Los datos deben existir y tener una calidad mínima. Si no existen, el primer proyecto es construirlos.
- Alguien debe estar dispuesto a cambiar su forma de trabajar. Un caso sin dueño termina como una demostración.
- El resultado debe poder observarse en semanas, no en años. Solo así se sostiene el respaldo de la dirección.
Este enfoque tiene límites que conviene reconocer. Un KPI mal escogido puede producir decisiones miopes: un asistente que acelera las respuestas pero resuelve menos casos mejora el indicador y empeora el servicio. Algunos beneficios de la IA, como la calidad de un análisis o la reducción de errores, son difíciles de traducir en una cifra financiera inmediata. Y con frecuencia el caso revela que el problema era de proceso o de datos, y que la IA no era la respuesta. Ese hallazgo también es un resultado valioso, porque evita una inversión mayor en la dirección equivocada.
Por eso conviene medir con dos indicadores. Uno de resultado, que le importa a la gerencia, y uno de control, que evita que el primero mejore a costa de otra cosa.
El perfil que el mercado ya está pidiendo
El Estudio de Empleabilidad y Talento Digital, presentado en diciembre de 2025 por MinTIC y FEDESOFT, estima que el mercado demanda 85.000 talentos adicionales. La demanda se orienta a perfiles especializados en big data y analítica, inteligencia artificial, nube y ciberseguridad. También pide roles híbridos que combinan competencias técnicas con liderazgo, comunicación y pensamiento estratégico.
Ese último grupo merece la atención de quienes diseñan formación corporativa. En muchas empresas, el perfil más escaso es el de la persona capaz de traducir un problema del negocio en un caso de IA y volver con un resultado expresado en el lenguaje de la gerencia. Ese perfil difícilmente se contrata en el mercado y casi nunca sale de un tutorial. Se desarrolla trabajando sobre problemas reales, con acompañamiento y con la obligación de rendir cuentas sobre un indicador.
Antes de aprobar el próximo curso
La formación en IA seguirá siendo una de las principales inversiones de las empresas en los próximos años, y es razonable que así sea. Lo que está en discusión es su diseño. Un programa que termina cuando los participantes saben usar las herramientas deja equipos más cómodos con la tecnología. Uno que termina con un caso medido deja algo que la organización puede evaluar, replicar y escalar.
Antes de aprobar el próximo presupuesto de capacitación en IA, conviene exigir respuestas a cuatro preguntas: qué problema del negocio se va a atacar, quién responde por él, cuál es su línea base y qué indicador debería moverse y en cuánto tiempo. Si nadie puede contestarlas, la empresa está comprando familiaridad. Puede ser útil, pero no debería confundirse con capacidad.
En Fundación FaceIT diseñamos y ejecutamos proyectos de formación orientados a la implementación, desde la selección del caso hasta la medición del resultado. Si su organización está planeando su próxima inversión en IA, conversemos sobre por dónde empezar. Contáctanos
