En los últimos 18 meses he hablado con directivos de más de treinta empresas en LATAM que están adoptando IA. El patrón que más se repite no tiene que ver con la tecnología —tiene que ver con lo que nadie planificó antes de comprar las licencias.
La empresa compra ChatGPT o Claude para toda la organización. Hace un taller de dos horas. Seis meses después, el 80% del equipo lo usa de vez en cuando para redactar correos. El otro 20% —los que se entusiasmaron solos— ya lo integró a su flujo real y la diferencia de productividad es visible. Pero la mayoría nunca cruzó esa línea.
Eso no es un problema de la herramienta. Es un problema de gestión del cambio.
Por qué falla la adopción (y no es el modelo)
La adopción de IA falla porque la mayoría de las organizaciones la trata como un proyecto de tecnología cuando en realidad es un proyecto de transformación de procesos y cultura.
Piénsalo así: instalar un CRM nuevo no cambia cómo vende el equipo de ventas hasta que cambias el proceso de ventas. Del mismo modo, dar acceso a Claude no cambia cómo trabaja el equipo de análisis hasta que rediseñas los workflows de análisis para integrar la IA. La herramienta es el último paso, no el primero.
He visto equipos de data con dashboards impecables en Power BI donde los analistas siguen mandando Excel por correo porque "el proceso siempre fue así". La herramienta existía; el proceso no cambió.
Las tres resistencias que nadie te cuenta
Resistencia de rol: "Si la IA hace esto, ¿qué hago yo?"
Es la más difícil de trabajar porque nadie la dice en voz alta. El equipo no dice "no quiero usar IA porque siento que me reemplaza" —dice "la herramienta no funciona bien para nuestro caso" o "necesitamos más capacitación". Lo que realmente hay debajo es miedo a que su expertise se vuelva menos valioso.
La solución no es convencerlos de que la IA no los va a reemplazar. Es mostrarles qué hacen más y qué hacen diferente cuando la IA se encarga de lo operativo. El analista que antes tardaba 4 horas en consolidar datos ahora tarda 40 minutos —y esas 3 horas y 20 minutos las dedica a interpretar y decidir, que es exactamente donde está su valor real.
Resistencia de proceso: los workflows no están diseñados para IA.
Adoptar IA requiere rediseñar los procesos, no solo agregarle una herramienta al final del flujo. Si el proceso de aprobación de propuestas tiene 7 pasos manuales y le agregas "usa Claude para redactar" en el paso 3, ganaste un poco de velocidad en un punto. Pero si rediseñas el flujo completo con IA desde el inicio —brief del cliente → borrador Claude → revisión humana → aprobación— el impacto es diferente.
Resistencia de confianza: "¿Puedo fiarme de lo que genera la IA?"
Sin criterio para validar los outputs, el equipo hace una de dos cosas: o acepta todo sin revisar (y termina con errores en documentos importantes) o no confía en nada y lo rehace a mano. Ninguna de las dos sirve. La capacitación que importa no es solo "cómo usar la herramienta" —es "cómo verificar que el output es correcto para este tipo de tarea".
Un framework de 4 pasos que funciona
Paso 1 — Diagnóstico de brecha por rol
Antes de cualquier capacitación, mapeá qué hace cada rol en tu organización y qué parte de eso la IA puede automatizar, acelerar o mejorar. No en términos abstractos —en tareas concretas: "el equipo de marketing dedica 6 horas semanales a crear informes de campaña" o "los analistas de crédito revisan manualmente 40 solicitudes por día".
Ese diagnóstico te dice dónde la IA tiene mayor impacto potencial y dónde empezar. Sin él, terminas haciendo una capacitación genérica que no conecta con el trabajo real de nadie.
Paso 2 — Pilotos con criterio de éxito claro
Elige 2 o 3 casos de uso piloto por área. Lo que los hace válidos como pilotos: son tareas repetitivas, tienen un criterio de calidad claro (sabes cómo se ve el buen resultado), y se pueden medir antes y después. "Usamos IA más" no es criterio de éxito. "Redujimos el tiempo de elaboración de informes de 4 horas a 45 minutos manteniendo la misma calidad" sí lo es.
Paso 3 — Formación técnica + criterio de validación
La capacitación tiene que tener dos partes. La parte técnica (cómo usar la herramienta para estos casos específicos) y la parte de criterio (cómo saber si el output es confiable para este tipo de tarea). La segunda parte es la que más se ignora y la que más determina si el equipo termina confiando en la herramienta o abandonándola.
Paso 4 — Métricas reales y ciclo de mejora
Mide productividad real: tiempo en tarea, volumen de trabajo procesado, tasa de revisión manual. No midas "número de usuarios activos en la plataforma" —eso solo dice que la gente abrió la app. Y establece un ciclo de revisión mensual donde el equipo comparte qué funcionó, qué no y qué prompts o workflows mejorar.
Lo que diferencia a las organizaciones que sí lo logran
No es el presupuesto ni la herramienta. Es la estructura interna. Las organizaciones que logran adopción real tienen tres cosas:
- ▸Un campeón de IA por área —no solo uno global de TI. Alguien que conoce el trabajo del área y puede conectar la herramienta con los casos reales.
- ▸Formación en casos de uso reales, no en demos genéricas. El equipo de finanzas aprende con sus propios procesos de cierre, no con ejemplos de marketing.
- ▸Paciencia para el rediseño de procesos. La adopción real tarda entre 3 y 6 meses por área. Cualquier organización que espera resultados en 4 semanas va a medir el piloto como fracasado porque no dio tiempo al cambio de hábito.
Cómo capacita DataPath a equipos en este proceso
En DataPath Empresas hemos capacitado a más de 500 profesionales y a equipos de más de 30 empresas en LATAM —entre ellas Entel, BCP y Scotiabank. El enfoque no es un taller de herramientas: es diagnóstico de brechas, diseño de casos de uso por área, capacitación técnica con criterio de validación, y seguimiento de métricas de adopción.
Lo que suele aprender el equipo técnico en estos programas cubre desde el uso productivo de modelos de lenguaje hasta la construcción de agentes de IA para automatizar procesos internos. La ruta AI Engineer forma al equipo en fundamentos sólidos de IA, y la ruta AI Agentic Engineer lleva al equipo a construir sistemas que automatizan procesos de negocio reales.
Si estás en el proceso de planificar la adopción de IA en tu organización y quieres conversar sobre un programa a medida, en DataPath Empresas hacemos un diagnóstico inicial sin costo. El punto de partida es entender dónde está la brecha real en tu equipo —no vender herramientas.
