Hay un patrón que se repite con frecuencia en empresas que llevan meses usando herramientas de IA: las licencias están activas, los accesos están habilitados, y sin embargo el uso real es bajo. Algunos equipos las usan de forma intensa, otros casi no las tocaron. El entusiasmo de los primeros días se fue diluyendo sin que nadie lo notara demasiado.
La explicación habitual es que la herramienta no era tan buena como prometía, o que la gente no tuvo tiempo. Pero en muchos casos el problema es más simple y más difícil de resolver al mismo tiempo: nadie enseñó a usarla en el contexto del trabajo real.
La brecha que empieza a volverse visible no es entre empresas que usan IA y empresas que no. Es entre las que desplegaron herramientas y las que además habilitaron a su gente. Son dos decisiones distintas, y la segunda es la que más frecuentemente se omite.
Parte del problema es cómo se entiende la capacitación. El modelo más común es contratar un curso genérico de prompting, organizar una sesión de dos horas, y considerar el tema cerrado. El resultado casi siempre es el mismo: algunas personas se van con ganas de probar cosas, la mayoría vuelve a su flujo habitual, y en tres semanas el uso volvió a donde estaba antes. No porque la gente sea resistente al cambio, sino porque aprender a usar una herramienta en abstracto es muy distinto a incorporarla al trabajo que ya se hace todos los días.
Cuando la habilitación no ocurre, los problemas no son solo de retorno. Una persona que no entiende bien para qué sirve una herramienta ni cuáles son sus límites puede terminar usándola de formas que generan riesgo real: compartiendo información sensible con plataformas que no cumplen los estándares de seguridad de la empresa, usando herramientas muy potentes para tareas triviales mientras ignora los casos de uso que realmente justifican la inversión, o generando outputs que nadie valida porque se asume que la IA no se equivoca. Y cuando eso ocurre, la gerencia ve bajo retorno y saca la conclusión equivocada: que la IA es el problema. No lo es. El problema es que la adopción nunca ocurrió de verdad.
Lo que mueve la aguja no es el curso. Es el acompañamiento pegado al trabajo real.
Cuando alguien aprende a usar una herramienta de IA en el contexto de sus tareas concretas, con ejemplos de su área y aplicada a los problemas que ya está intentando resolver, la curva de adopción cambia. No porque la persona sea más inteligente o más motivada, sino porque la distancia entre lo que aprendió y lo que necesita aplicar se vuelve muy pequeña. El hábito se forma cuando el esfuerzo de usar la herramienta es menor que el beneficio percibido. Eso casi nunca ocurre después de un curso genérico.
Hay otro factor que se subestima: la adopción necesita sostenimiento interno. Una persona dentro del equipo que use la herramienta, que comparta lo que funciona, que ayude cuando alguien se traba, que mantenga vivo el impulso más allá del lanzamiento inicial. Sin ese rol, aunque sea informal, la mayoría de las implementaciones se estancan. No el primer día, cuando todo es novedad. En la tercera semana, cuando la urgencia del día a día vuelve a ganar.
En los procesos de adopción que hemos ejecutado en fuubo, la diferencia es consistente: cuando se trabaja con los equipos en su contexto real, el porcentaje de uso sube, los casos de uso se implementan de verdad y el retorno se hace visible con evidencia concreta. No como promesa, sino como resultado medible que la organización puede mostrar. Eso es lo que permite que la conversación con la gerencia cambie de "¿para qué estamos pagando esto?" a "¿dónde lo aplicamos ahora?".
Este es un problema de diseño, no de voluntad. Una empresa que lanza una herramienta de IA sin pensar en cómo va a sostener el hábito de uso está tomando una decisión implícita: apostar a que la herramienta sea tan buena que la gente la adopte sola. Eso ocurre muy pocas veces.
Agosto es el momento en que muchas empresas medianas empiezan a planificar presupuesto y formación para el año siguiente. Es una buena oportunidad para hacer una pregunta honesta: ¿qué porcentaje del equipo usa realmente las herramientas de IA que ya están pagando? Y si la respuesta es baja, la pregunta que sigue no es si hace falta más tecnología, sino si hace falta un modelo de habilitación diferente.
Desplegar una herramienta es la parte fácil. Lo que cuesta más, y lo que más importa, es convertirla en una nueva forma de trabajar.
