Hace poco un Head of Data de una aseguradora me contó su problema real: había separado presupuesto para capacitar a todo su equipo en IA, pero la mitad ya usaba Claude o ChatGPT a diario para su trabajo y la otra mitad apenas había abierto un chat una vez. Un solo taller para los dos grupos iba a fallar antes de empezar, y lo sabía. Ese es el punto ciego más común cuando una empresa decide invertir en capacitación de IA: se diseña el plan antes de medir el nivel real del equipo.
El error más común: un solo taller para todo el equipo
Ya hemos hablado antes de qué pasa cuando un taller de introducción se queda en eso, un taller, y nadie lo vuelve a abrir. Pero hay un problema anterior a ese: ni siquiera llegas a la etapa de adopción si el contenido del taller no le sirve a nadie. Si lo armas para el nivel intermedio, el principiante se pierde en los primeros quince minutos y el avanzado se aburre y empieza a revisar el celular. Terminas midiendo asistencia, no aprendizaje.
Evalúa antes de diseñar el plan
Antes de elegir contenido, conviene mirar tres cosas de cada persona o área: qué herramientas de IA usa hoy y con qué frecuencia real (no lo que dice en una encuesta), qué rol cumple y qué decisiones toma, y qué resultado de negocio se espera de su parte del equipo en los próximos seis meses. Con eso ya puedes separar a la gente en grupos que tiene sentido capacitar juntos, en vez de por antigüedad o por área en el organigrama.
Esta evaluación no tiene que ser un proceso largo. Con una conversación de 20 minutos por área y una revisión rápida de qué tan integrada está la IA en el trabajo diario de cada persona, ya tienes suficiente para armar los grupos. El error que he visto repetirse es saltarse este paso por apuro, convencidos de que "todos necesitan lo mismo", y descubrir recién en la segunda sesión que la mitad del salón ya hacía eso hace un año.
Tres niveles, no uno
- ▸Iniciación: para quien todavía no usa IA en su trabajo diario o lo hace de forma esporádica. El objetivo es que salga usándola todos los días, no que entienda la teoría detrás.
- ▸Aplicada: para quien ya usa IA pero de forma manual y repetitiva. Acá se trabaja con casos reales del área: automatizar un reporte, construir un flujo, conectar una herramienta con otra.
- ▸Avanzada: para quien ya construye con IA (desarrollo, datos, arquitectura) y necesita llevarlo a producción: agentes, integraciones, gobierno de datos.
Cómo correr los tres niveles en paralelo sin fragmentar al equipo
La parte que casi nadie hace bien es correr los tres niveles en paralelo, dentro del mismo programa y con el mismo cronograma, en vez de tratarlos como iniciativas separadas. Mismo kickoff, mismo cierre, pero cada grupo avanza en su propio track según su punto de partida. Al final, todos convergen en un proyecto común donde el nivel avanzado construye la solución y el nivel inicial aprende a usarla en su día a día. Así nadie se queda fuera y nadie siente que perdió el tiempo en contenido que ya sabía.
Lo que nadie te dice es que meter a todos en un solo nivel "intermedio" no mueve ni al principiante ni al avanzado: el primero se pierde y deja de participar, el segundo se aburre y te dice que "eso ya lo sabe" en la primera sesión.
"No tengo tiempo para evaluar antes de empezar"
Es la objeción que más escucho, y entiendo por qué: cuando ya hay presión para mostrar avance en IA, parar a evaluar se siente como perder tiempo. Pero saltarse la evaluación no ahorra tiempo, lo cambia de lugar: en vez de gastar dos semanas evaluando antes, terminas gastando dos meses corrigiendo un programa que no le sirvió a nadie y rediseñándolo desde cero. La evaluación inicial no es el freno del proyecto, es lo que evita rehacerlo completo a mitad de año.
Qué pasa cuando no evalúas antes de capacitar
El patrón que más se repite cuando se salta este paso es el mismo: a los tres meses, el área de RR.HH. o L&D reporta una asistencia alta y una adopción real bajísima. La gente fue a las sesiones, pero no cambió nada en su trabajo diario, porque el contenido no estaba calibrado para su punto de partida. El presupuesto se gastó en horas de salón, no en capacidad instalada. Medir el nivel antes no es un paso burocrático extra: es lo que determina si el dinero se convierte en gente que usa IA todos los días o en una línea más del reporte anual de capacitación.
Qué volver a medir al final de cada nivel
- ▸Iniciación: cuántas personas siguen usando la herramienta sin que nadie se lo recuerde, treinta días después.
- ▸Aplicada: cuántos de los flujos armados en el taller siguen corriendo en producción, no en una demo.
- ▸Avanzada: cuántos proyectos del nivel avanzado terminaron siendo adoptados por el resto del equipo en Aplicada.
La aseguradora del Head of Data con la que empezamos este post terminó corriendo justo este esquema: un grupo de Iniciación para el área comercial, uno de Aplicada para operaciones, y un grupo pequeño de Avanzada en el equipo de datos que terminó construyendo el agente que el resto del equipo usa hoy para clasificar siniestros. El punto de partida fue medir el nivel real antes de prometer un resultado parejo para todos.
Qué aprendería cada nivel con DataPath
En el nivel de Iniciación y Aplicada, para equipos técnicos, trabajamos directo con Claude Code For Developer: de usar IA como autocompletado a usarla como colaborador real dentro del flujo de trabajo. En el nivel Avanzado, cuando el equipo ya necesita diseñar agentes que se coordinan entre sí y no solo consumir uno ya armado, trabajamos sobre la ruta AI Agentic Engineer, pensada para quien va a construir la arquitectura agéntica de la empresa, no solo operarla.
Cómo arrancamos esto contigo
El proceso no empieza con una propuesta genérica: conversamos sobre el problema real de tu equipo, hacemos un diagnóstico sin costo para medir el nivel real de cada grupo, diseñamos el plan de los tres niveles corriendo en paralelo, y recién ahí entramos a dictado y medición de resultados. Llevamos más de 1.500 profesionales formados y más de 100 empresas en LATAM —Entel, BCP y Scotiabank entre ellas— y una parte de por qué funciona es que quien dicta cada nivel sigue trabajando hoy en el puesto que enseña, no es alguien que dejó de programar o de analizar datos hace cinco años.
Si tu equipo está disparejo, no esperes a que empeore
Cuanto más tiempo pasa con un equipo dividido entre quienes ya usan IA todos los días y quienes todavía no la tocan, más grande se hace la brecha interna: el primer grupo avanza solo, el segundo se queda atrás y termina dependiendo del primero para todo. Si quieres ver cómo se estructuran los tres niveles corriendo en paralelo, revisa la sección de niveles en DataPath para Empresas, donde también puedes agendar la conversación inicial sin costo.
