IA en e-learning: ¿qué está funcionando realmente?

La mayoría de los equipos de L&D ya han utilizado la IA de alguna forma. La pregunta ha cambiado. Ya no se trata de si adoptarla. Se trata de si realmente está entregando algo mejor, o simplemente entregando algo más rápido.

En nuestro seminario web más reciente, Nelson Sivalingam, director ejecutivo de HowNow y autor de Learning at Speed, y Talha Faridy, líder de innovación en IA en Easygenerator, se unieron a la moderadora Ashling Moran para una mirada honesta sobre dónde está aterrizando realmente la IA en L&D. Qué ha funcionado, qué no, y qué deberían estar preguntando los profesionales de L&D sobre las herramientas en las que invierten.

🎥 Vea la sesión: ¿Se lo perdió en vivo? Vea la grabación completa arriba.

La eficiencia no es lo mismo que la eficacia

Cuando pregunta cómo los equipos de L&D están usando la IA hoy en día, la respuesta es mayormente la misma: para hacer lo que ya estaban haciendo, pero más rápido. Creación de contenido, planificación de planes de estudio, análisis de datos de evaluación. Las ganancias en eficiencia son reales.

Pero Nelson trazó una línea entre la eficiencia y la eficacia que surgió a lo largo de toda la conversación.

«Hay una gran diferencia entre hacer algo rápido y hacer lo correcto. Y en este momento lo que estamos haciendo es hacer algo rápido, pero no necesariamente estamos evaluando si es lo correcto».

El riesgo no es solo la pérdida de tiempo. Es que la IA facilita escalar las cosas incorrectas. Si su contenido no tenía impacto antes, producir más de él más rápido no resuelve el problema. Como dijo Nelson:

«Lo que podríamos vernos haciendo en realidad es escalar el mismo problema que esperamos resolver. Uno de los desafíos es que hay una tonelada de contenido. Y cuando tienes una tonelada de contenido, el descubrimiento es uno de los mayores desafíos. Al ser capaz de crear mucho contenido que no es de gran calidad muy rápido, lo que en realidad estás haciendo es escalar el problema que ya tenías mucho, mucho más rápido».

También hay una consecuencia de la que es más difícil recuperarse. Cuando los estudiantes interactúan con contenido de mala calidad generado por IA y no lo encuentran útil, se forman una opinión. Recuperarlos después de eso es difícil.

Talha agregó que las expectativas poco realistas son parte de lo que impulsa esto. Muchos autores asumen que pueden delegar una tarea a la IA con un contexto mínimo y obtener algo listo para la producción.

«Muchos autores tienen expectativas erróneas sobre lo que puede hacer la IA. Sienten que pueden simplemente delegar sin mucho contexto ni trabajo previo, y luego esperar un resultado que esté completamente listo para la producción. Mientras que a menudo ese no es el caso».

Cómo es una medida real de valor

Si la velocidad no es la medida, ¿cuál es? La respuesta de Nelson vuelve a para qué sirve realmente L&D.

«El resultado de L&D no es crear contenido. Es un medio para un fin. Nuestro trabajo en esta profesión es ayudar a las personas a hacer mejor su trabajo y ayudarlas a crecer. Es así de simple».

Eso significa que la pregunta no es cuántos cursos se enviaron o cuántas horas de aprendizaje se completaron. Es si las habilidades que le importan al negocio realmente se desarrollaron.

Nelson enmarcó esto a través de la lente de lo que llamó la crisis de talento: organizaciones que luchan por contratar habilidades especializadas que tienen una gran demanda y poca oferta. La única respuesta sostenible es mejorar las habilidades de las personas internamente. Eso hace que el desarrollo de habilidades sea el resultado que importa, y es el resultado que la mayoría de las mediciones de L&D todavía no rastrean directamente.

«La pregunta no es sobre cuántas horas de aprendizaje hizo alguien o qué contenido se completó. Realmente se reduce a: ¿desarrollamos las habilidades que necesitábamos para lograr esos objetivos? Esa es realmente la medida del valor.»

El contexto es lo que le falta a la IA

Uno de los puntos prácticos más claros de la sesión fue sobre lo que realmente hace que el resultado de la IA sea útil. Las herramientas de IA genéricas son razonablemente buenas con la información genérica. En lo que no son buenas, por defecto, es en el contexto de la empresa.

Talha fue directo al respecto:

«Los modelos de lenguaje grandes son realmente buenos con la información genérica. Pero una cosa en la que todavía no son excelentes por defecto es en el contexto de la empresa. El contexto de su empresa, sus objetivos comerciales, los resultados que busca. Ese es el tipo de contexto que desea incorporar a la IA. Ese trabajo de preparación debe realizarse antes de trabajar con IA en cualquier herramienta.»

Esto también se aplica a la creación de cursos. La facilidad de construir algo con IA también hace que sea más fácil construir lo incorrecto.

«Es más fácil construir cosas ahora, pero también es más fácil construir las cosas equivocadas.» Ese concepto se aplica a la creación de cursos. Estás construyendo algo para impulsar resultados significativos. Es más fácil construir formación, sin duda, pero también es más fácil construir la formación equivocada para las personas equivocadas en los formatos equivocados.»

El trabajo de preparación que evita esto es definir los objetivos de aprendizaje por adelantado, ser específico sobre el cambio de comportamiento que desea que tengan los alumnos y darle a la IA una imagen clara de cómo se ve un buen resultado antes de comenzar. En Easygenerator, esto está integrado en la función Course Guidelines, que permite a los autores dar a EasyAI instrucciones explícitas sobre objetivos, preferencias de contenido y material de origen antes de que genere nada.

IA centrada en el autor frente a generación de contenido centrada en la IA

Esto llevó la conversación a una distinción que recorrió toda la sesión: la diferencia entre la IA que parte de la intención del autor y la IA que parte de la generación de contenido.

Talha describió cómo Easygenerator aborda esto, utilizando Bloom’s taxonomy para anclar los objetivos de aprendizaje antes de que se cree cualquier contenido.

«Preguntamos al experto en la materia o al diseñador instruccional qué es exactamente lo que quieren que hagan sus alumnos después de terminar el curso.» ¿Cuál es ese cambio de comportamiento en términos de aplicación que quieren impulsar? Una vez que eso se define por adelantado, junto con el conocimiento que el alumno necesita, eso guía a la IA en la dirección correcta y mejora la calidad general del contenido.»

Nelson añadió un marco útil para lo que esto desbloquea. En el modelo antiguo, un equipo de L&D acudía a un experto en la materia (SME), recopilaba la experiencia, se la llevaba, aplicaba el pensamiento de diseño instruccional y regresaba semanas después con un curso. La creación asistida por IA cambia ese cronograma.

«Como SME, puedo ir a Easygenerator y trabajar con la IA para decir: Estoy volcando mi experiencia aquí, pero tú tienes la experiencia de la pedagogía, y la mejor manera de enmarcar y estructurar esto. Te habría llevado semanas llegar a algo que fuera pedagógicamente sólido. Pero ahora podemos pasar de ‘aquí está la experiencia’ a ‘recurso de aprendizaje pedagógicamente sólido’ muy rápidamente.»

Dicho esto, ninguno de los ponentes sugirió que esto elimine la necesidad del juicio humano. Los usuarios avanzados de IA son aquellos que iteran, que tratan el primer resultado como un punto de partida y que aportan su propio contexto y experiencia al proceso en cada paso.

El nuevo trabajo de L&D es diseñar el contexto, no el contenido

Si los SME ahora pueden crear contenido directamente con el apoyo de la IA, ¿qué significa eso para el papel de L&D? Tanto Nelson como Talha apuntaron en la misma dirección.

El planteamiento de Nelson fue memorable: en este mundo, los equipos de L&D son efectivamente gestores de la IA. Y el trabajo de un gestor es establecer el estándar y crear las condiciones para que otros lo alcancen.

«No es necesariamente trabajo de L&D diseñar el contenido. Es trabajo de L&D diseñar el contexto para que todos los demás puedan crear recursos más útiles con muy poca fricción.»

Eso significa definir cómo es un buen resultado, establecer directrices de curso que cualquier SME pueda seguir, elegir los marcos pedagógicos adecuados y construir estructuras de gobernanza que mantengan la calidad constante en toda la organización sin cargar a cada SME con decisiones de diseño instruccional.

Talha señaló lo mismo desde el punto de vista del producto:

«El equipo de L&D puede establecer ese marco y dirigir las cosas en la dirección correcta. Si no lo hace, es solo otra situación en la que los SME, que ya están sobrecargados, ahora también tienen que aprender a crear aprendizaje de calidad. La IA puede ser de gran ayuda aquí, donde los equipos de L&D definen cómo es un buen resultado, y luego los SME pueden usar eso para crear contenido sin que les suponga una carga adicional».

El reconocimiento también es importante. Ashling mencionó algo que ve funcionar en la práctica: poner los nombres de las personas en los cursos, destacar ejemplos sólidos y dar crédito público a los SME que lo hacen bien. Esto establece el estándar de forma visible y da a los demás un objetivo al que aspirar.

Si la IA está integrada o añadida importa más de lo que se podría pensar

Una pregunta de la audiencia durante la sesión tocó algo que surgió a lo largo de la misma: ¿cómo saber si la IA está realmente integrada en una herramienta o simplemente añadida sobre un producto existente?

La opinión de Nelson fue que la respuesta suele aparecer en cómo funciona la IA a lo largo de todo el flujo de trabajo.

«Cuando tienes una IA nativa, esencialmente estás aplicando inteligencia en cada paso de ese proceso.» Así que obtiene las ganancias de eficiencia, pero también la ganancia en efectividad al aplicar esa inteligencia en cada paso. Como un complemento, es realmente difícil. Estás tratando de pulir la última milla con IA, que es lo que lo hace muy difícil.»

La creación de contenido, como señaló Nelson, implica múltiples pasos que se benefician de la inteligencia en cada uno: diseño curricular, estructuración de piezas individuales de contenido, incorporación de andamiaje, aplicación de marcos pedagógicos. Una solución complementaria puede ayudar en uno o dos de estos puntos. Una plataforma donde la IA es nativa puede apoyarlos a todos.

La prueba práctica que sugirió es simple: ¿qué tan efectiva fue la IA para ayudarle a realizar la tarea específica que estaba tratando de hacer? No cuál IA suena más impresionante, sino cuál realmente le ayudó a resolver el problema que tenía delante.

Talha abordó directamente la dimensión de precios. Algunos proveedores han respondido al costo de la IA trasladando los costos a través de precios más altos. La posición de Easygenerator es que la IA debería incluirse en el precio base para todos.

Creemos firmemente que el futuro para la mayoría de los autores y profesionales de L&D es nativo de IA.» Nuestra posición es que todos deberían estar empoderados con esa tecnología. Por lo tanto, por nuestra IA de plataforma central, no cobramos extra por ella. Está incluida en el precio base. Esa es la razón principal: empoderar a todos y trabajar con ellos hacia ese futuro de ser nativos de IA.»

Hacia dónde va esto a continuación

El capítulo final de la conversación analizó los próximos 12 meses. Talha señaló a la IA agencial como la dirección del viaje: IA que se mueve a través de un flujo de trabajo de forma iterativa, utilizando diferentes herramientas y capacidades para realizar una tarea, en lugar de producir un solo resultado en respuesta a un solo aviso. Más eficaz, con mayor conocimiento del contexto, mejor para llegar a algo útil sin requerir que el usuario realice múltiples rondas de corrección manual.

La perspectiva de Nelson era de mayor alcance. Describió una brecha en L&D que nunca se ha cerrado: la conexión entre el aprendizaje y el desempeño. La mayoría de las organizaciones no pueden decirle, cuando el desempeño cae, qué habilidades faltan o por qué. E incluso cuando pueden identificar una brecha de habilidades, a menudo no saben qué aprendizaje la abordará.

«Con agentes autónomos que pueden realizar ese ciclo por sí mismos, ahora puede observar las señales de trabajo, inferir cuáles son las brechas de desempeño, determinar qué habilidades faltan, conectarlo con el recurso de aprendizaje relevante adecuado y luego monitorear los datos de trabajo para ver si realmente cambió el desempeño. Todo en un ciclo autónomo.»

Llamó a esto la visión de una empresa que se mejora a sí misma. L&D establece las pautas y el sistema maneja el ciclo.

La conclusión

La IA en L&D está generando ganancias de eficiencia reales. Las organizaciones que ven más valor son las que tratan el contexto como un primer paso, mantienen a los humanos en el proceso en lugar de eliminarlos y miden los resultados en lugar de la producción.

Las herramientas también importan. La IA que se integra en el flujo de trabajo de creación desde el principio se comporta de manera diferente a la IA añadida a un producto heredado. Entender esa diferencia es parte de evaluar si una plataforma realmente le ayudará o solo le ayudará a producir más contenido más rápido.

👏 Muchas gracias a Nelson Sivalingam por una conversación genuinamente honesta y práctica.

Transcripción del webinar de los oradores

Ashling: Vamos a comenzar. Gracias a todos por unirse. Si regresan, realmente lo apreciamos. Y si es su primera vez, bienvenidos. Hoy vamos a hablar sobre IA y aprendizaje electrónico y lo que realmente está funcionando. Mi nombre es Ashling y tengo el placer de presentar esta sesión, y me acompañan Nelson y Talha, quienes se presentarán en solo unos segundos. Este es un seguimiento de una llamada que tuvimos en octubre de 2025, y que trató sobre IA y aprendizaje electrónico. Y esta vez comenzamos desde un punto ligeramente diferente. En lugar de analizar si deberíamos usar IA, nos centraremos en si esto realmente funciona. Sin más preámbulos, voy a ceder la palabra a nuestros invitados de hoy. Nelson, eres el primero en mi pantalla. ¿Te gustaría presentarte?

Nelson: Claro. Soy Nelson, uno de los fundadores y director ejecutivo de HowNow. En HowNow somos una plataforma de aprendizaje que ayuda a las empresas a determinar qué habilidades tienen, qué habilidades no tienen y a conectar a las personas con el aprendizaje relevante para que puedan desarrollar las habilidades que necesitan. También soy el autor de Learning at Speed. Sería genial saber si alguien en esta sesión lo ha leído; si no es así, es un libro que ofrece una guía práctica y marcos de trabajo sobre cómo acelerar la velocidad a la que aprendes en tu organización. Es un placer estar aquí. Tengo muchas ganas de que empiece la discusión.

Ashling: Bueno, gracias por acompañarnos. Me entusiasma ver lo que puedes aportar. Si alguien ha leído el libro, póngalo en el chat, me encantaría saberlo. Talha, ¿te gustaría presentarte a continuación?

Talha: Gracias, Ashling. Aquí Talha, liderando los esfuerzos en productos de IA en Easygenerator. Soy responsable de la visión de IA, la estrategia de producto y de trabajar con los equipos de L&D y expertos en la materia para lograr el sueño del aprendizaje generado por los empleados, y cómo se puede aplicar la IA en la creación de contenido, el e-learning, pero también más allá. Y estamos explorando ese espacio aquí en Easygenerator de manera bastante rigurosa, debo decir.

Ashling: Me entusiasma tener algo de tiempo hoy para conocer tu perspectiva. Antes de comenzar con nuestra primera pregunta, me encantaría escuchar a todos los que nos acompañan hoy. En una palabra, me encantaría saber cómo describirían en qué punto se encuentra su equipo con respecto a la IA en este momento. Voy a poner una encuesta en el chat. Pueden elegir la opción que consideren que más resuena con ustedes. Si hay algo que no hemos incluido, siéntanse libres de escribirlo también. Bien, con las primeras respuestas, parece que muchos equipos todavía están experimentando, o incluso un paso más adelante, escalando. Así que sí, muchos equipos están experimentando actualmente. Será interesante ver con qué están experimentando y qué está funcionando bien. Así que hoy lo que vemos es que la mayoría de los equipos de L&D realmente han comenzado a usar la IA de alguna forma, y la pregunta ha cambiado. Ya no se trata de si debería adoptar la IA, sino de si realmente está mejorando el aprendizaje o simplemente lo está haciendo más rápido. Así que vamos a abordar esto con honestidad: qué ha funcionado, qué no ha funcionado, cómo es realmente la diferencia de calidad en la práctica y qué deberían exigir los profesionales de L&D a las herramientas en las que invierten. Para comenzar, Nelson, me encantaría conocer tus perspectivas sobre cómo los equipos de L&D utilizan realmente la IA hoy en día y si está funcionando.

Nelson: Sí, supongo que al observar cómo la gente la usa hoy, creo que es principalmente para obtener ganancias de eficiencia. Lo que queda claro, de hecho, hay un gran estudio que realiza Donald Taylor sobre el uso de la IA en L&D, que muestra claramente que esencialmente estamos usando la IA para hacer las cosas que ya hacíamos, pero para hacerlas más rápido. Y eso se refiere específicamente a la creación de contenido, o a ayudarnos con la planificación de un plan de estudios o el diseño de contenido. Y luego se reduce al análisis de datos. Así que, si tiene grandes conjuntos de datos de evaluación o datos de participación en el aprendizaje, poder analizarlos y darles sentido son probablemente las dos áreas principales. Pero el desafío es que estamos tratando de ser más eficientes con la IA, pero lo que no estamos viendo son usos donde esté haciendo que los equipos de L&D sean más efectivos. Y ahí es donde radica realmente el desafío en este momento. Respecto a su pregunta sobre si realmente está funcionando: Hay una gran diferencia entre hacer algo rápido y hacer lo correcto. Y en este momento lo que estamos haciendo es hacer algo rápido, pero no necesariamente estamos evaluando si es lo correcto o no. Y eso requiere mucho más que simplemente aplicar la IA a algunas de las tareas que ya estábamos realizando. Existen dudas sobre cómo se alinea con la estrategia comercial general. ¿Estás midiendo las cosas correctas para saber si estás teniendo el impacto deseado en tu organización o no? Y creo que ahí es donde actualmente vemos los desafíos. Vi que casi el 10% de los encuestados indicó que son escépticos, y lo que observo es que gran parte del escepticismo se debe a que no se percibe de inmediato un aumento en la productividad o un resultado positivo. Y estamos llegando a la conclusión de que es culpa de la IA o de las herramientas de IA, en lugar de hacernos las preguntas más fundamentales de si la estamos aplicando correctamente y si existe un problema estratégico más profundo para ver si realmente está funcionando o no. Así que definitivamente hay ganancias en eficiencia, pero ¿hemos visto un aumento significativo en la eficacia? Todavía no hemos visto eso.

Ashling: Sí, pero creo que eso tendría sentido. Muchas personas que han respondido a la encuesta han dicho que están en esa fase de experimentación, así que probando el terreno, viendo qué funciona y qué no. Y esperamos que eso sea lo que analizaremos más de cerca hoy. Talha, ¿has notado lo mismo, que quizás estamos haciendo las cosas más rápido pero todavía tenemos que desbloquear esa parte de la eficiencia?

Talha: Sí, absolutamente. Creo que desde mi perspectiva, como lo veo, hay dos categorías principales en las que encajan la necesidad de la IA y la situación actual. Hay una en la que existe una limitación de recursos cuando se trata de los equipos de L&D, ¿verdad? Así que tienen estos grandes retrasos, muchas tareas que tienen que realizar, muchos cursos que sacar adelante. Gran volumen de cursos, así que ese es un problema. Y el segundo es la calidad, ¿verdad? Donde, por supuesto, para superar este cuello de botella en los recursos, una de las formas es delegar la creación de contenido a los expertos en la materia. Eso es el aprendizaje generado por los empleados. Y ahí, por supuesto, surge la cuestión de la calidad. ¿Cómo se mantiene la calidad del resultado, el nivel de diseño instruccional, del aprendizaje que se está creando en todos los ámbitos? Y creo que ahí es donde los equipos de L&D están recurriendo a la IA para abordar estos problemas, y aún más en lo que se refiere al área de producción. La producción de contenido, probablemente sea el aspecto más importante. Y ahí coincido con Nelson, sin duda. Y estoy totalmente de acuerdo; observamos con frecuencia que producir cosas más rápido no significa necesariamente que lo estés haciendo de la manera correcta. Y también conduce a falsas expectativas y falsos resultados a veces. Muchos autores tienen expectativas erróneas sobre lo que la IA puede hacer. Sienten que simplemente pueden delegarlo sin mucho contexto y mucho trabajo preliminar, y luego esperar un resultado que esté completamente listo para la producción. Mientras que a menudo ese no es el caso. Así que, por supuesto, debe haber una gobernanza sólida, una estrategia sólida, alineación con los resultados comerciales, para que la IA se implemente de manera realmente efectiva en todo el ciclo de vida de creación de contenido. Así que sí, eso es lo que estoy viendo por mi parte.

Nelson: Y solo para añadir a eso, creo que es un punto importante: nadie conserva su trabajo por ser eficiente en no entregar valor. Y ese es el riesgo en este momento, en torno a si realmente está entregando un resultado que el negocio desea, ¿o simplemente está enviando muchas cosas? Y lo que en realidad podríamos vernos haciendo es escalar el mismo problema que esperamos resolver. Uno de los desafíos es que hay una tonelada de contenido, y cuando tienes una tonelada de contenido, el descubrimiento es uno de los mayores desafíos. Al ser capaz de crear mucho contenido que no es de gran calidad muy rápido, lo que en realidad estás haciendo es escalar el problema que ya tenías mucho, mucho más rápido, y por lo tanto te dificultas las cosas a ti mismo. Y también crea un ciclo de retroalimentación negativa, ¿verdad? Donde si las personas comienzan a interactuar con su contenido generado por IA y es de baja calidad, es muy difícil hacer que regresen, porque lo han probado, no lo encontraron útil, no lo encontraron relevante, y ahora han formado esa opinión sobre este contenido. Así que la próxima vez que lance un curso y diga, regresen, tengo más material, es menos probable que participen porque la última vez creó un ciclo de retroalimentación negativa. Y por lo tanto, por mucho que le pueda atraer la eficiencia de producir contenido más rápido, en realidad puede tener algunos impactos perjudiciales a largo plazo, donde podrías dificultarte a ti mismo atraer a las personas al aprendizaje en el futuro, si no te aseguras de que sea de alta calidad y relevancia.

Ashling: Sí, eso tiene sentido. Así que asegurarse de ofrecer calidad es algo con lo que los estudiantes quieren involucrarse. Si toman una capacitación, ven el valor por sí mismos y quieren volver a participar. Lo que me parece interesante ahí, Nelson, es que si la velocidad no es lo mismo que el valor, ¿qué deberían usar los equipos de L&D como una prueba real de si la IA está funcionando o no?

Nelson: Sí, creo que vuelve al santo grial de lo que se trata L&D, ¿verdad? El resultado de L&D no es crear contenido, es un medio para un fin. Y nuestro trabajo en esta profesión es ayudar a las personas a hacer mejor su trabajo y ayudarles a crecer. Es así de simple. Y entonces empiezas a desglosar eso para decir, ¿qué estamos observando aquí para saber si estamos entregando ese valor a la organización o no? Ahora, si observas el contexto del macroentorno, en este momento tenemos una crisis masiva de talento, lo cual podría no ser tan obvio dado que muchos de los titulares de noticias en este momento hablan de despidos masivos en las organizaciones. Y, por lo tanto, es fácil pensar que las tasas de desempleo están subiendo. Pero en realidad, si observas, por ejemplo, el Reino Unido o los EE. UU., las tasas de desempleo no están subiendo, están bajando. Y lo que realmente tenemos es una sequía de contratación para habilidades muy especializadas. Una gran estadística que vi fue una encuesta reciente que encontró que para los trabajadores técnicos, alrededor del 70% de los trabajadores técnicos tenían múltiples ofertas de trabajo en el momento en que aceptaron un empleo. Ahora, lo que eso nos dice es que para habilidades muy especializadas, hay una demanda muy alta. De hecho, hay una mayor demanda de ciertas habilidades que la oferta, lo que significa que es muy competitivo y costoso para las organizaciones contratar las habilidades que necesitan para realizar el trabajo. Lo que significa que la única manera sostenible para que las empresas logren esto en el entorno actual es potenciar y recualificar a su propio personal. Lo que significa que ese es el objetivo, ¿verdad? El objetivo es, ¿cómo nos aseguramos en nuestra organización de que estamos desarrollando las habilidades que necesitamos para poder realizar el trabajo? Lo que significa que ahora necesitamos ser capaces de entender qué habilidades no tenemos. Y eso se convierte en nuestra prioridad. Estos son los objetivos que la empresa quiere alcanzar, y para alcanzar esos objetivos, aquí están las capacidades que necesitamos desarrollar en la organización. Y si estamos entregando valor o no, se reduce a si estamos desarrollando esas capacidades fundamentales o no. Así que la pregunta no es sobre cuántas horas de aprendizaje hizo alguien, o qué contenido se completó. Realmente se reduce a, ¿desarrollamos las habilidades que necesitábamos para alcanzar esos OKRs u otros objetivos? Y esa es realmente la medida del valor. No se trata tanto de la velocidad para crear contenido, sino de la velocidad para crear contenido que fuera relevante para desarrollar las habilidades que necesitábamos para aportar valor a la organización.

Ashling: Tiene sentido. Entonces, si alguien se incorpora hoy, ¿tu consejo sería, si estás al principio de este proceso, averiguar qué habilidades necesitas y que eso informe al resto? Y si ya sabes qué habilidades necesitas, empieza a medir si tus esfuerzos de formación están ayudando a cerrar esa brecha de habilidades o si se está aportando valor porque se han cubierto esas habilidades.

Nelson: Sí. Casi lo vería como una pirámide, ¿verdad? Y en la parte superior de la pirámide, si imaginas que todo lo que hace la empresa está en la parte superior de la pirámide. Cada empresa tiene una misión, y cada empresa tiene una estrategia sobre cómo lograr esa misión. Y luego cada empresa tiene un conjunto de KPI, objetivos u OKR para ver si están en camino de cumplir esa estrategia o no. Digamos que esa es la parte superior de la pirámide. En la base de esa pirámide, desde una perspectiva de L&D, tienes iniciativas de aprendizaje, ¿verdad? Y normalmente lo que ves en las organizaciones es que hay una brecha entre lo que hace L&D y lo que la empresa intenta hacer. Normalmente intentamos conectar los puntos con la parte superior de la pirámide de forma retrospectiva. He publicado un montón de contenido y ahora es como, ¿aportó valor? Bueno, déjame averiguar cómo lo hizo. Y tratamos de conectar esos puntos retrospectivamente, y eso se convierte en algo parecido a jugar al bingo. Alguien ha cantado un número, algunas personas tienen el número coincidente, ellos ganan. Pero la realidad es que la mayoría de la gente no tiene un número coincidente, así que están perdiendo. Así que cada vez que alguien pierde, es una pérdida de tiempo, recursos y dinero. Cuando juegas al bingo de L&D, lo que necesitas es una forma más segura de poder conectar esos puntos. Y la brecha faltante en esa pirámide es cuáles son las habilidades que los individuos y los equipos necesitan tener para lograr esos KPI, ¿verdad? Entonces, el proceso que yo seguiría es, de entrada, hablar con el negocio sobre, bien, ¿cuáles son los OKR u objetivos aquí que realmente nos importan más? Elijamos este, digamos que es aumentar la retención de clientes. Luego desglosamos eso para ver, ¿cuáles son los roles laborales que más van a influir en estos objetivos? ¿Y qué habilidades necesitan tener para poder realizar las tareas que van a impulsar ese objetivo? Una vez que sabemos qué habilidades necesitan tener, ahora necesitamos determinar qué habilidades tienen realmente. ¿Tienen esas habilidades? Digamos que necesitan tener habilidades de resolución de problemas en un nivel tres. ¿Tienen eso o no? Y si no tienen esas habilidades ahora, se trata de que esas son las áreas en las que debes trabajar. Entonces, ¿qué contenido necesitas crear para mejorar la resolución de problemas en tu organización, o qué recursos ya tienes y solo hace falta hacerlos más accesibles o atractivos para las personas adecuadas, para aprovecharlos al máximo? Y ahora que sabes cuál es la línea base, sigue esa métrica de desempeño para ver si estamos avanzando hacia ella o no. ¿Está mejorando la retención de clientes? Si no es así, entonces necesitamos cambiar de rumbo. Necesitamos analizar si es el contenido o si es el descubrimiento del contenido. Pero la métrica clave que estamos observando es esa, y la realidad es que en demasiadas organizaciones ni siquiera estamos midiendo esa métrica de desempeño hasta demasiado tarde. Y la realidad es que usted logra lo que mide. Si lo piensa, hasta hace cinco años, ¿quién era consciente de dar 10,000 pasos? Nadie se preocupaba realmente por si daba o no sus 10,000 pasos. Pero ahora que podemos medir si damos nuestros pasos o no, ahora a todos nos importa dar 10,000 pasos. Así que logras lo que mides. Y para empezar, necesitas comenzar a medir el impacto del aprendizaje en el desarrollo de habilidades, y el desarrollo de habilidades y el desempeño para lograrlo. Si no lo está midiendo, no lo va a lograr.

Ashling: Tiene mucho sentido. Y también creo que quizás, Talha, esto se relaciona con algo que mencionaste, que algunos equipos aquí, algunas organizaciones ya están midiendo esto, o al menos están en el camino hacia este destino final. Y ahora tienen una habilidad, necesitan capacitación para esa habilidad. Tal vez solo haya una o dos personas en la organización que actualmente puedan satisfacer una necesidad o un rol determinado. Así que comienzan a crear capacitación, pero esperan demasiado de la IA, o esperan demasiado de la IA. Entonces Talha, mi pregunta sería, ¿qué tipo de contexto realmente marca la mayor diferencia cuando aprovechas la IA para ayudar con la parte del aprendizaje?

Talha: Sí, esa es una muy buena pregunta. Creo que también, al leer el chat, los participantes en el seminario web, creo que hay una cosa que está muy clara, y es que los modelos de lenguaje grandes, aunque están mejorando en ello, son realmente buenos con información genérica. Así que con información de alto nivel sobre la mayoría de los temas, también son bastante buenos en algunas de las cosas técnicas. Pero una cosa en la que todavía no son excelentes por defecto, que es muy importante, por defecto no son excelentes, es en el contexto de la empresa. El contexto de tu empresa, tus objetivos comerciales, los resultados que buscas. Ese es el tipo de contexto que desea incorporar a la IA. Y creo que ese trabajo de preparación debe realizarse antes de trabajar con la IA en cualquier herramienta con la que esté trabajando. Así que una vez que haya identificado las habilidades a las que desea apuntar, y haya definido los objetivos de aprendizaje correctos, teniendo en cuenta el resultado antes de comenzar a crear el aprendizaje electrónico, tener todo eso documentado por adelantado y usarlo para guiar sus esfuerzos de creación, es algo que realmente importa. Creo que también un muy buen ejemplo para dar aquí es que, incluso si lo miras desde una perspectiva de producto, en realidad es más fácil construir cosas ahora, pero también es más fácil construir las cosas incorrectas. Y ese concepto también se aplica a la creación de cursos. Porque estás construyendo algo para impulsar resultados significativos. Y es más fácil crear una capacitación, sin duda, pero también es más fácil crear la capacitación incorrecta para las personas equivocadas en los formatos equivocados. Así que ese trabajo de preparación, por supuesto, implica traer el contexto de tu empresa, los resultados que buscas y redactar los objetivos de aprendizaje correctos, poniendo el contexto adecuado en la IA; eso realmente, realmente importa.

Ashling: Yo diría que sí, tiene sentido. Creo que tal vez hay un paso entre lo que Nelson, acabas de explicar, sobre la brecha y la preparación y saber qué estamos midiendo, y luego también crear el contenido. Y sé que probablemente hay personas que se unen a este seminario web hoy que están en ese paso, en ese paso intermedio. Así que tal vez, Nelson, podrías ayudarnos a identificar cómo avanzar. Entonces, ¿cómo sugerirías que, una vez que identifiques las habilidades y las necesidades comerciales, y necesites decidir qué intervención de aprendizaje marcará la mayor diferencia, qué les aconsejarías a los equipos de L&D que hagan en esa situación?

Nelson: Sí, así que parte de esto se hace al entender cuáles son esas brechas de habilidades. ¿Cuáles son las habilidades que necesitas ahora? Las habilidades luego se desglosan en cuáles son las tareas y comportamientos que deberían ser capaces de realizar como resultado de tener la habilidad. Ahora, gran parte de eso proviene del descubrimiento del problema. Me gusta usar el ejemplo de aplicar una mentalidad de producto a esto, porque creo que gran parte de ello es aplicable. Y una gran parte de la creación de productos es el descubrimiento del problema. ¿Cuánto tiempo dedicas realmente a tratar de entender cuál es el problema real? ¿Por qué tenemos un problema de desempeño? ¿Qué tareas y comportamientos no son capaces de realizar estas personas, o en qué necesitan mejorar? Y ahí es donde trabajar con el experto en la materia realmente importa, para poder entender ese contexto de cómo se aplicará esta habilidad. Ahora, un gran ejemplo de esto es si tomas una habilidad como la comunicación, por ejemplo. Cómo se aplicará la comunicación es muy diferente para un vendedor dentro de su contexto a cómo se aplicará para un ingeniero dentro del suyo. Así que ser capaz de entender cómo esa habilidad se manifestará como una tarea o comportamiento te ayudará entonces a asegurarte de que tienes los recursos adecuados para poder hacerlo. Ahora, cuando se trata de recursos, de nuevo, volvemos a esa pregunta de, ¿cuál es el formato correcto? No es el mismo formato para cada tipo de habilidad, y eso es típicamente en lo que nos quedamos atrapados. Pero en lo que realmente necesitamos pensar aquí es en un ecosistema de recursos que sean adecuados para diferentes contextos, diferentes roles y diferentes habilidades. No se trata de tener un curso que vaya a resolver el problema para todos los que tienen esa habilidad en particular. Y ahí es donde creo que te inclinas más por la curación, y esencialmente incluso por traer a diferentes expertos en la materia para crear contenido. Aprovechar, digamos, Easygenerator, para capacitarlos a crear ese contenido es una forma de curación, donde el papel de L&D está cambiando de ser casi una fábrica de contenido que produce todo el contenido, a esencialmente capacitar a los expertos en la materia para que se sientan facultados para crear los recursos que necesitas para cubrir esas brechas. Así que eso es lo que ese puente significa para mí. Creo que uno de los pasos críticos es, antes de apresurarnos a crear contenido, realizar realmente ese descubrimiento inicial del problema para entender qué es lo que realmente falta.

Ashling: Tiene sentido. Así que sí, están sucediendo muchas cosas, y es interesante ver cómo está evolucionando con el tiempo, y cómo hacer ese descubrimiento inicial realmente puede ayudar, y tener un plan al comenzar las cosas puede marcar la diferencia. Sé que esto parece estar resonando, hay muchos comentarios en el chat. Acabo de ver uno de Jodi, y creo que es interesante cómo Jodi ha utilizado la IA para ayudar a crear contenido todos los días. Así que para hacer cosas como resúmenes, esquemas, guiones de videos grabados de pantalla, o estructurar planes de estudio, basándose en el resultado, entonces puede entrar y validar e iterar con mejores instrucciones. Así que aquí, usar la IA para ayudar con la parte de calidad, y sé que esa es una preocupación para muchos en la llamada. Talha, es algo que también has mencionado, así que tengo curiosidad por saber si esto es algo que realmente está resonando con alguien, ¿qué sugerirías que hagan para evaluar si una función de IA realmente está mejorando la calidad del aprendizaje, o si solo está ahorrando tiempo?

Talha: Creo que una cosa es segura, yo secundaría, estamos viendo mucho este patrón, en términos de generar resúmenes útiles, esquemas, y luego, por supuesto, obtener ese primer resultado y luego iterar sobre él, sin esperar que la IA sea la solución mágica. Digamos, por ejemplo, que le das una instrucción y listo, de una sola vez tienes tu curso listo, eso no sucede. La realidad es que tienes que ir e iterar con la IA, y muchas veces el contexto faltante que no estaba allí inicialmente, eso es lo que se aporta en esa fase, y luego perfeccionas el contenido y lo dejas listo para publicar. Y eso es algo que vemos mucho. En realidad, los usuarios avanzados de IA, los que la usan de manera más efectiva, son los que siguen este tipo de flujo de trabajo. Mientras que aquellos que esperan que la IA haga cosas poco realistas probablemente abandonan después del primer uso. Aquellos que continúan en el ciclo de iteración son los que más aprovechan la IA, eso es definitivamente seguro. Y en términos de construir contenido efectivo, creo que también es importante, volviendo al punto de Nelson, tener también ese cambio de comportamiento final que desea que el alumno tenga básicamente en mente desde el principio, y diseñar su contenido en torno a eso. Dentro de Easygenerator, usamos la taxonomía de Bloom para ayudar con este proceso, donde durante el ciclo de creación de contenido básicamente utilizamos la taxonomía de Bloom para la creación de objetivos de aprendizaje, y eso luego inspira el resto del contenido que se genera con IA, en términos de que pedimos por adelantado al experto en la materia o al diseñador instruccional que está usando nuestra herramienta para crear aprendizaje: ¿qué es exactamente lo que quieres que hagan tus alumnos después de terminar el curso? ¿Cuál es ese cambio de comportamiento en términos de aplicación que quiere que impulsen? Y una vez que eso se define, por adelantado, junto con el conocimiento que necesitan saber para poder ejecutar esa acción, eso luego dirige a la IA en la dirección correcta y, en general, eleva la calidad de tu contenido. Y también ayuda a elegir los formatos correctos, porque hay muchos formatos diferentes en los que se puede consumir el aprendizaje. Así que, de nuevo, volver a esos objetivos que estableciste por adelantado realmente ayuda a que la IA determine qué formatos elegir. Así que, por ejemplo, para escenarios accionables, tal vez los juegos de rol sean un formato muy bueno, mientras que para solo entender y recordar, tal vez los bloques de texto sean el método preferido. Así que ese es el tipo de configuración que debe hacer de antemano, para dirigir a la IA en la dirección correcta y, por supuesto, crear más contenido que sea más efectivo.

Ashling: Muy interesante. Así que tener a un humano al mando junto con la IA, veo que tiene impacto. A alguien le gustaba cocinar en lugar de usar un microondas, o utilizar la IA como compañero. Así que, sí, si una persona está involucrada, ahí es donde las personas ya están viendo los mejores resultados. Nelson, estoy muy interesado en tu punto de vista. Digamos que los equipos están investigando esto, quieren involucrar a personas, humanos, en el proceso de aprendizaje. ¿Qué papel deberían desempeñar los expertos en la materia para ayudar a L&D a entender cuál es el problema de desempeño real, para que puedan prepararse mejor, como lo mencionó Talha?

Nelson: Sí, así que creo que lo que era el modelo antiguo es que, como L&D, digamos diseñador instruccional, o como gerente o profesional de L&D, yo iba a un experto en la materia para entender, dame el contenido, dame la experiencia, ¿verdad? Así que el experto en la materia volcaba toda la experiencia, y yo, en L&D, me lo llevaba, y yo retocaba y aplicaba pedagogía y creaba un curso en torno a eso. Y lo que la IA, combinada con la autoría, desbloquea es ese cuello de botella de que un equipo de L&D tan reducido tenga que encargarse de ello. Ahora mismo, lo que puedo hacer como experto en la materia (SME) es ir a Easygenerator y trabajar con la IA para decir: estoy volcando mi experiencia aquí, pero tú tienes la experiencia en pedagogía, y la mejor manera de plantear esto, estructurarlo y hacerlo. Entonces, lo que ahora obtienes como beneficio es que te habría llevado semanas llegar a algo que fuese pedagógicamente sólido. Pero ahora podemos pasar de la experiencia a un recurso de aprendizaje pedagógicamente sólido, muy rápidamente en este momento. Dicho esto, la pregunta es, ¿cuál es el papel de L&D? Y creo que es un papel muy fundamental e importante, donde L&D establece las directrices, el marco de lo que significa un buen resultado. Y eso no significa necesariamente que yo tenga que construirlo. Y una buena comparación aquí es, a menudo digo, cuando pienso en cuál es el papel de un gerente, para mí el papel de un gerente es alguien que establece el estándar y luego crea las condiciones para que tú alcances ese estándar. Esas son las únicas dos cosas que un gerente necesita hacer. Y creo que en este mundo, esencialmente todos somos gerentes de IA. Y para mí, L&D es un gerente de IA diseñado específicamente para L&D. Por lo tanto, es tu trabajo establecer el listón para la IA y crear las condiciones para que lo alcance. Y las condiciones para alcanzar el listón aquí son cosas como el contexto, que se describió anteriormente. ¿Qué ha hecho para facilitar la incorporación de ese contexto? Porque no puedes esperar que el SME aporte el contexto cada vez. ¿Existen cosas como, por ejemplo, cómo podría pensar en esto, casi como un archivo de tipo MD de habilidades? ¿Qué tipo de instrucciones o archivos son universales para la organización, en cuanto a cómo vemos el mundo, qué nos gusta y qué no nos gusta? ¿Cómo incorpora ese contexto para que el SME no tenga que hacerlo todo el tiempo? ¿Existen ciertos marcos pedagógicos a los que te inclinas y de los que quieres asegurarte de que la IA tenga en cuenta? Así que esa construcción de contexto es una gran tarea, y solo te das cuenta de lo importante que es cuando intentas crear cosas sin ese contexto y ves lo terrible que resulta. Y ese es realmente el papel de L&D, no es necesariamente diseñar el contenido, es diseñar el contexto, para que todos los demás puedan crear recursos más útiles con muy poca fricción.

Ashling: Me gustó mucho cómo lo planteaste, poniendo el listón y luego creando las condiciones para que puedas alcanzarlo o superarlo. Talha, dado tu papel en la configuración de EasyAI en Easygenerator, me encantaría saber cómo esas lecciones te han influido a lo largo del camino, en un viaje desde la IA centrada en el autor frente a la generación de contenido con IA convencional.

Talha: Sí, creo que, en términos de la historia de EasyAI, desde su inicio hasta lo que es hoy, también resuena en general con cómo la IA misma y la percepción en torno a ella han cambiado con el tiempo. Por supuesto, cuando apareció por primera vez, la gente tenía expectativas de que simplemente le darías un prompt, y con un solo prompt, podrías obtener tu resultado. Y luego fue como, está bien, ¿puedes darle algunos ejemplos de cuáles son los mejores resultados?, y entonces obtendrías una mejor respuesta. Luego vino la idea de los proyectos, por ejemplo, puedes poner cosas en proyectos y luego gestionará tu contexto. Luego llegamos a la era de Claude Code, ahora tenemos archivos MD almacenados como contexto, y hoy en día tenemos habilidades. Así que vemos un patrón claro: las cosas se mueven hacia, de nuevo, volviendo al punto de Nelson, dirigir la IA en la dirección correcta, establecer ese listón y tener habilidades, por ejemplo, tener múltiples listones que estableces para diferentes áreas, dominios o funciones que la IA debería cumplir, y luego lograr que los siga. Y eso es exactamente lo que ofrece la autoría centrada en el autor, donde diriges la IA en la dirección correcta, estableces las condiciones para ella. Por ejemplo, dentro de nuestra suite EasyAI, tenemos algo llamado Pautas del curso. Y dentro de las Pautas del curso, permitimos que el autor le dé instrucciones a la IA sobre cuáles son las preferencias de contenido, cuáles son los objetivos y cuáles son los archivos de origen. Y básicamente es una de las tareas de la IA leer esas pautas y siempre hacer referencia a ellas cada vez que toma una decisión sobre qué crear. Y eso es extremadamente importante, porque entonces eso ayuda a la IA a entender qué es bueno para mí, cómo debería ser un buen resultado y luego seguir esas instrucciones. Así que, creo que este es el patrón común al que nos dirigimos ahora. Y creo que desde una perspectiva de L&D, nuevamente, apoyando el punto de Nelson, todo recae en la gobernanza. Establecer esos estándares, para que la IA pueda operar eficazmente en todos los ámbitos. Cualquier especialista puede asumir la creación de contenido, y luego tienes esta capa de gobernanza que ayuda a los expertos a utilizar la IA de la mejor manera posible. De lo contrario, simplemente se vuelve a construir cosas equivocadas a un ritmo muy rápido, sin ninguna dirección ni calidad.

Ashling: Sí, creo que tocaste un punto que definitivamente resuena conmigo, y me gustaría saber si alguien más siente lo mismo, pero la IA se está convirtiendo en una palabra de moda, y todas estas herramientas tienen IA ahora, por lo que es realmente importante que comencemos a analizar qué puede hacer realmente la IA, cómo está integrada en una herramienta o si está incorporada a una herramienta. Así que, quizás también podamos ampliar esta conversación. Nelson, dado el trabajo que estás haciendo en HowNow, me encantaría conocer también aquí tu perspectiva. Cuando evalúas herramientas de aprendizaje basadas en IA, ¿qué te indica que esto es algo que está genuinamente integrado en el producto y que va a aportar valor, en lugar de algo que simplemente se incorporó después?

Nelson: Sí, creo que vuelve a la misma pregunta fundamental de que esto no se trata de priorizar la IA, ¿verdad?, no utilizas algo solo porque sea IA. Y no creo que con ninguna tecnología esa sea la manera correcta de verlo. Fundamentalmente, se reduce a cuál es el problema que estás tratando de resolver. Y creo que, la famosa frase dice: «Ama el problema, no la solución». Y creo que, eso es lo clave aquí. De lo contrario, puedes sentirte completamente abrumado por la tecnología solo por usar tecnología. Pero una vez que has definido cuál es el problema que intentas resolver, entonces se reduce a cuál es la herramienta de IA que está mejor posicionada para poder ayudarte a abordar eso. Ahora, donde importa si es nativo en IA o una solución añadida, es que con una solución añadida, para cierto nivel de tarea, es muy limitado, porque hay un enfoque tradicional, y luego intentas mejorar el último tramo con IA, que es lo que lo hace muy difícil. Pero cuando tienes una solución nativa en IA, aplicas inteligencia en cada paso de ese proceso. Así que obtienes las ganancias de eficiencia, pero también la mejora en efectividad al aplicar esa inteligencia en cada paso. Eso no significa descartar por completo las soluciones añadidas; creo que en algunos escenarios, dependiendo de lo que intentes lograr, una solución añadida podría estar perfectamente bien para lo que intentas hacer. Pero en realidad, cuando miras algo como la creación de contenido, la razón por la que importa es que, aunque le llamamos así, en realidad implica múltiples pasos: desde entender cuál es el diseño curricular apropiado para ello, hasta definir los contenidos de cada parte y cómo incorporar un andamiaje dinámico, es decir, integrar distintos enfoques pedagógicos. Hay múltiples cosas que están sucediendo para hacer esto. Y por eso, como un añadido, es realmente difícil hacer eso, realmente necesitamos integrar la IA desde los cimientos de cómo se aborda la creación de contenido. Creo que la forma de evaluarlo es: ¿qué tan efectiva fue para ayudarte a realizar la tarea que intentabas hacer? En lugar de intentar verlo como: ¿es esta IA mejor que aquella IA? ¿Cuál IA fue mejor para ayudarte a resolver el problema que tenías en primer lugar? Es como yo lo vería. Realmente se reduce a ese mapeo, saber cuál es tu objetivo al final, y quizás no distraerte con algo que es nuevo o brillante, sino si realmente te está aportando valor, si te está ayudando a avanzar hacia tus objetivos.

Ashling: Veo una pregunta de Victoria que llegó a través del chat que creo que encaja muy bien aquí. Victoria explicaba cómo las PYMES están usando ahora mucha IA, están creando cosas como documentos, y piensan: oye, esto es realmente genial, esto es realmente útil. Sin embargo, no siempre es realmente útil, especialmente si tenemos en cuenta la pedagogía. Así que, Talha, me encantan tus ideas aquí. ¿Cómo podemos empezar a educar a los expertos en la materia sobre el proceso y la necesidad de al menos una revisión, cuando se trata de aprender o crear contenido de aprendizaje?

Talha: Creo que, más bien, no diría que es probablemente el enfoque correcto para enseñar a los expertos en la materia a crear contenido de alta calidad. Yo diría que es el equipo de L&D; creo que dicho equipo puede establecer el marco adecuado y encauzar la dirección correcta. De nuevo, el concepto de las Pautas del Curso, establecer el estándar, tener algunas habilidades y luego hacer que los expertos en la materia las utilicen. De lo contrario, será simplemente otro de esos problemas en los que, por ejemplo, los expertos en la materia no disponen del tiempo ni de los recursos para crear este contenido, y se convierte en otro aspecto en el que tendrás que enseñarles y ellos tendrán que aprender a generar aprendizaje de calidad. Y, por lo tanto, creo que la IA puede ser de gran ayuda cuando los equipos de L&D la adoptan, establecen esa capa de gobernanza y definen lo que significa un buen resultado, de modo que los expertos en la materia puedan utilizarla para crear contenido sin que ello les suponga una carga adicional. Así que, respecto al aprendizaje generado por los empleados a gran escala, los expertos en la materia no disponen del tiempo para encargarse de su creación. Así que, en lugar de imponerles la carga de tener que aprender a crear un buen aprendizaje, se establece esa capa de gobernanza para ayudarlos a comprenderlo y aprovecharlo. Y ahí es donde la IA puede ser de gran ayuda.

Nelson: Y solo para añadir a eso, creo que si vas diciendo que necesitamos una revisión desde una perspectiva de aprendizaje porque sí, probablemente no sea bien recibido. Y creo que tienes la responsabilidad de explicar por qué y respaldarlo con datos, porque de lo contrario parece simplemente un requisito que hay que cumplir por cumplir. Por lo tanto, necesitas capturar los datos para ver dónde estamos, por qué no es útil o si algunas partes son útiles. Y dices: ‘Mira estos datos, no tienen el efecto esperado, o no cumplen con X, Y, Z de la manera que deseas’, y eso se debe a ello. Así que creo que imponer eso solo puede hacer que la gente lo perciba como desalentador, y no quieres que ese sea el mensaje transmitido, sino que deseas animar a aquellos que se esfuerzan desde el principio, lo cual es genial. Significa que ven genuinamente el aprendizaje como una solución al problema, lo cual es un gran punto de partida, porque a menudo la gente ni siquiera llega a ese punto, no se dan cuenta de que el aprendizaje es la solución al problema. Así que se trata de ser realmente diplomático al decir: aquí están los datos cuantitativos y cualitativos que muestran que a este aprendizaje le falta esto, y puedo ayudarte con eso, esta es mi experiencia, déjame apoyarte en esto, esto es lo que podrías haber hecho, y úsalo más como una oportunidad de coaching en lugar de una oportunidad de decir «te lo dije».

Ashling: Me gusta eso, así que sí, una oportunidad de coaching. Y cada vez más observamos que L&D, a medida que evolucionan las cosas y asumiendo roles de apoyo, tiene ahora la función dentro del negocio de respaldar el aprendizaje, hacerlo posible y garantizar que dicho aprendizaje genere valor.

Nelson: Si esto es algo que estás intentando —según mi experiencia trabajando con diversas organizaciones en este camino—, algo que veo que funciona muy bien es brindar ese apoyo, pero también ofrecer algún tipo de reconocimiento. Así que puede tratarse de incluir el nombre de las personas en los cursos y decir: ‘oye, Talha, creaste un curso realmente fantástico sobre IA, seguiste nuestra lista de verificación y ahora tienes reseñas entusiastas’, o de organizar un concurso, o simplemente reconocer y hacer referencia al aprendizaje. Así que, aquellos que lo están haciendo bien son alentados a seguir haciéndolo, y aquellos que tal vez solo están produciendo documentos que no son tan útiles tienen algo a lo que aspirar. Así que, de nuevo, establecer el estándar y luego ayudarlos a alcanzarlo.

Ashling: Veo otra pregunta en el chat, estamos hablando de IA y herramientas, cómo apoyamos a la IA, pero hay algo interesante también, se trata de cómo algunas herramientas están añadiendo IA y luego además añadiendo un costo extra, o no están absorbiendo ese costo, y luego está la pregunta de, ¿es esto útil, es esto algo que necesitamos? Talha, me encantaría tu opinión sobre eso antes de terminar por hoy, sobre el precio, absorber el precio, ¿cómo abordas esto cuando buscas diferentes herramientas?

Talha: Bueno, depende de cada herramienta, cuando se trata de ofrecer. Voy a dar nuestra posición directamente desde Easygenerator; creemos firmemente que, por supuesto, el futuro para la mayoría de los autores y profesionales de L&D es ser nativos de la IA. Es una realidad que la IA básicamente se está integrando en flujos de trabajo clave, independientemente de su dominio, en la mayoría de los dominios ha tenido un impacto muy significativo. Y nuestra posición es que todos deberían estar empoderados con esa tecnología, y por supuesto queremos estar en ese viaje con nuestros clientes, con los L&D, con los expertos en la materia, y aprender cómo la IA está trabajando para ellos, con ellos. Y por lo tanto, desde nuestra posición, para nuestra plataforma principal de IA, no cobramos extra por ella. Está incluida en el precio base. Y esa es la razón principal, es empoderar a todos y trabajar con ellos hacia ese futuro de ser nativos de IA, y aprender con ellos cómo se ve eso en el futuro. Así que esa es nuestra posición, y no es posible que todas las herramientas hagan eso, depende de dónde vengan en términos de qué tan nativas de IA eran, o qué tan listas estaban para asumir la revolución de la IA. Porque algunas herramientas, por supuesto, han tenido que trasladar ese costo de la IA al cliente, mientras que nosotros lo hemos absorbido y hemos llevado a los clientes en este camino, y por supuesto estamos en el otro lado.

Ashling: Sí, supongo que todo se reduce a cómo se emplea la IA en la herramienta: ¿es algo que realmente aporta valor o simplemente se ha añadido de forma complementaria, y cambiará tu experiencia? Así que esa es una perspectiva realmente valiosa. Vi que nos queda algo de tiempo, así que por supuesto siempre queremos mirar hacia el futuro, y luego dejaremos algo de tiempo para preguntas también, así que si tienes preguntas, asegúrate de ponerlas en el chat. Talha, quizás puedas empezar cuando miremos al futuro, ¿hacia dónde ves que va la IA en el próximo año más o menos?

Talha: Sí, definitivamente muchas cosas han cambiado con el tiempo, por supuesto que la IA se ha vuelto excelente en diferentes dominios y en diferentes áreas. Todo comenzó simplemente trabajando con texto, luego se volvió realmente bueno con imágenes y videos, y ahora es realmente bueno en muchos tipos diferentes de tareas y cargas de trabajo, y trabajando con diferentes tipos de multimedia. Creo que definitivamente el futuro por ahora, lo cual es bastante evidente, en la dirección que están tomando la mayoría de las herramientas, así como en Easygenerator, la dirección que estamos tomando es la de la IA agéntica. Y aborda muchos de los problemas que hemos estado discutiendo hoy, el problema de no proporcionar suficiente contexto, siendo la calidad uno de ellos, obtener mejores resultados desde el principio, ese tipo de cosas diferentes. Y cuando digo agéntica, es nuevamente la naturaleza iterativa de la IA, la IA teniendo las herramientas, y pasando creativamente a través de estas diferentes herramientas, aprovechándolas, logrando tareas, y trabajando con el autor o el usuario para su tarea y flujo de trabajo en particular, y logrando eso. Y en todo ese viaje, luego aprovecha diferentes partes del contexto que necesitan ser aprovechadas, diferentes habilidades y diferentes herramientas para lograr lo que necesita lograr. Así que creo que esa es una forma más efectiva de aplicar la IA, en lugar de un solo intento. Y creo que la industria se está dando cuenta de eso.

Ashling: Pasaremos a las preguntas, pero en el último minuto o dos, Nelson, ¿estás de acuerdo? ¿Hay algo más que veas en los próximos seis a 12 meses cuando se trata de IA y L&D?

Nelson: Sí, creo que una de las cosas que nunca hemos podido hacer realmente en L&D es ser capaces de conectar los puntos entre el aprendizaje y el desempeño. Si observas a la mayoría de las organizaciones, cuando el desempeño cae, la mayoría no puede decirte qué habilidades faltan y cuál fue la razón de la caída en el desempeño. Digamos que, por algún milagro, sabes qué habilidades faltan, a menudo no sabes qué aprendizaje es apropiado para ese nivel de habilidad. Y para poder conectar esos puntos, y digamos que el aprendizaje ocurre, muy rara vez puedes decir si está funcionando o no. Así que esta brecha entre el aprendizaje y el desempeño nunca hemos podido cerrarla. Y la razón de ello es que, para poder cerrar esa brecha, primero necesitas poder ver el trabajo, realmente necesitas ver a las personas trabajar, o los datos del trabajo, para poder ver si están haciendo algo bien o no. Y luego necesitas tener la inteligencia para poder observar esos datos de trabajo y desglosarlos para decir: basándome en lo que veo que hace esta persona, es buena en esto, pero no es tan buena en esto otro. Y una vez que lo descifra, necesita ser capaz de brindarte la ayuda exacta para que puedas mejorar en esa tarea que no fui capaz de realizar. Y ahora esto típicamente ha estado muy fragmentado, necesitabas diferentes humanos y diferentes sistemas, y había un costo de coordinación masivo entre todo esto. Ahora, con agentes, pero más importante aún, agentes autónomos que pueden realizar ese ciclo por sí mismos, ahora puedes observar las señales de trabajo, inferir cuáles son las brechas de desempeño, determinar qué habilidades faltan, luego ser capaz de conectarte con el recurso de aprendizaje relevante y correcto, y después monitorear los datos de trabajo para ver si realmente cambió el desempeño o el comportamiento, en un solo ciclo autónomo. Esto es lo que tenemos ahora mismo con las organizaciones con las que estamos trabajando usando HowNow, y hacia donde vemos que se dirige es, realmente, que ese ciclo de mejora del desempeño será completamente autónomo, con salvaguardas establecidas por L&D, pero no tendrás que hacer ese trabajo pesado, lo cual es increíble, porque si puedes mejorar el desempeño de forma autónoma a velocidad y escala, realmente se abre esta visión de una empresa que se mejora a sí misma.

Ashling: Lo cual me parece bastante emocionante, yo también lo creo. Y creo que nos has guiado muy bien hacia algunas de las preguntas que están llegando a través del chat, y tal vez puedas ayudar, y Talha, si tienes un punto de vista sobre esto, puedes intervenir. Sanjo ha preguntado: ¿cómo se evita centrarse únicamente en una estrategia de generación de ingresos a corto plazo en tu organización de L&D, sin objetivos o metas cualitativas, de manera que no se persigan modas pasajeras en IA, sino que se defina primero una estrategia descentralizada o creativa? Así que, ¿cómo logras separar, por así decirlo, lo esencial de lo superfluo al definir una estrategia, en lugar de simplemente subirse a la última tendencia? ¿Alguna idea?

Talha: Es una muy buena pregunta. Y creo que, sí, una cosa que definitivamente se desprende de eso es que, por supuesto, también hay un problema a un nivel superior, que es la falta de comprensión de cómo funciona la IA en general, y los beneficios tangibles que puede aportar, y dónde están sus limitaciones. Eso conduce a esas expectativas poco realistas, y luego a la priorización de las ganancias a corto plazo, en lugar de definir una estrategia primero, creo que ese cambio debe ocurrir. Creo que debe partir desde abajo, es decir, debe surgir de la base dentro de una organización donde existen usuarios avanzados de IA, ya que la mayoría cuenta con estos usuarios que realmente adoptan la tecnología. Y creo que es una especie de, tal vez deberían asumir la responsabilidad compartida de impulsar ese conocimiento allí arriba y convertirse en expertos en la materia dentro de sus empresas, para ayudar realmente al liderazgo a darse cuenta de dónde funciona la IA, dónde no, y luego trabajar desde allí, y luego priorizar una estrategia creativa. Creo que esa sería mi opinión, tengo curiosidad por saber cómo se vería desde la perspectiva de Nelson.

Nelson: Sí, quiero decir, voy a aprovechar eso, volviendo a conectarlo con otra pregunta que recibimos sobre cómo obtener la aprobación, creo que se superponen. No, la herramienta y la tecnología son secundarias, ¿verdad? Lo principal es: esta es la estrategia de la empresa, ¿qué necesitamos para poder cumplir con esa estrategia de la empresa?, ¿cuáles son las capacidades que necesitamos desarrollar para lograrlo? Así es como alineas tu estrategia y obtienes la aprobación. Normalmente recomiendo, y muchas de las organizaciones con las que trabajamos también, este marco de trabajo, los tres porqués, para construir su caso de negocio. Y el primer porqué es por qué ahora. Y el porqué ahora es que la mayoría de nosotros, si no todos, odiamos el cambio. Odiamos el cambio. Y la razón por la que odiamos el cambio es porque el cambio conlleva mucho riesgo, riesgo personal, riesgo social, riesgo financiero, hay mucho riesgo, esa es la razón por la que odiamos el cambio. Pero solo hay una cosa que nos hace cambiar cuando odiamos el cambio, y es un cambio realmente grande, ¿verdad? Cuando ocurre un cambio realmente grande, hace que el statu quo actual sea inaceptable. Y cuando hace que el statu quo actual sea inaceptable, por lo tanto tenemos que cambiar para aprovechar la oportunidad o para alejarnos de la amenaza. Y creo que la primera parte para conseguir la aceptación es explicar cuál es ese gran cambio que hace que el statu quo actual sea inaceptable, y ese es su porqué ahora. Ahora, una vez que haya expuesto su ‘why now’, llega a su ‘why’, es decir, el motivo de su solución, aquello que está proponiendo. Y ahí es donde habla sobre, está bien, entiendo su porqué ahora, pero ¿cuáles son los obstáculos en este momento que le impiden abordar este problema? Tiene que nombrar los obstáculos antes de saltar a la solución, de lo contrario solo está enviando una solución, pero me deja a mí conectar esos puntos. Ahora, una vez que haya nombrado esos obstáculos, ahora habla sobre su solución, esa solución podría ser HowNow, Easygenerator, IA esto, IA aquello. Pero cuando habla sobre esa solución, habla de ella en el contexto de, ¿cuáles son los obstáculos que esta solución me va a ayudar a superar? Ahora supongamos que ha hecho eso, luego llega a su última parte, que es el porqué no. El porqué no es esencialmente, ningún caso de negocio o propuesta es sólido hasta que haya hablado sobre todas las cosas que pueden salir mal y usted aborde eso. Y una de las cosas más comunes que surgen en este momento es el miedo a equivocarse. Esa fobia es la razón más común por la que las personas no hacen nada al respecto. Así que necesita abordar, ¿por qué tenemos este miedo a equivocarnos? ¿Es la falta de experiencia, es la falta de capacidad y recursos? Y usted incorpora eso en su caso de negocio para obtener la aceptación y alinearlo con esa estrategia. Así que ese es, típicamente, el marco con el que trabajamos con las organizaciones para presentar la solución por la cual se busca obtener aceptación.

Ashling: Sí, y diría que trabajar con clientes también, en el lado del valor para el cliente, cuando están construyendo casos de negocio, tiene mucho sentido, así que desarrollarlo, y espero que eso ayude. Creo que también ha ayudado a responder una pregunta de Callum sobre cómo crear aceptación, así que Callum, tres porqués, lo escuchó aquí de Nelson. Antes de terminar, también veo una pregunta de Monique. Monique está usando IA para crear algo de aprendizaje electrónico, y notó que después de regenerar algunas veces diferentes puede obtener resultados diferentes, y se pregunta si hay alguna guía sobre configuraciones para crear contenido de la mejor calidad. Talha, con su experiencia, tal vez podría proporcionar algo de información aquí.

Talha: Sí, creo que intentaremos compartir algunas pautas generales, creo que por supuesto hay algunas muy específicas de la herramienta, pero luego hay algunas cosas generales que podemos hacer. Creo que es importante entender que los modelos de IA por naturaleza no son deterministas, y es absolutamente cierto que en muchas de sus iteraciones con la IA, o en los flujos de trabajo que realiza, probablemente obtendrá un resultado, y luego la segunda vez probablemente obtendrá un resultado completamente diferente. Y hay formas de, por supuesto, intentar obtener resultados más deterministas. Por supuesto, comenzando con lo que está trabajando en términos de prompts, escribiendo prompts mucho mejores y más detallados, asegurándose de que sus técnicas de prompting sean adecuadas, que no esté dando prompts demasiado generales, por ejemplo, cosas como haz esto o haz aquello, sino más bien dando más detalles sobre lo que exactamente quiere lograr con el resultado. Y si desea algo consistente, entonces asegúrese de que sus prompts también sean consistentes, siguiendo algún tipo de plantilla, y luego, por supuesto, su contenido fuente. Si está trabajando con una solución basada en RAG donde está cargando documentos y otros contextos, asegúrese de que no sea demasiado grande, y tampoco demasiado detallado. Asegúrese de que sus documentos y su contenido fuente estén limpios, bien estructurados e ideales para la ingesta. No se trata de un libro de tres o cuatrocientas páginas, ni de un documento de dos páginas, esperando que genere un e-learning de nueve páginas. Así que necesita tener una buena comprensión de con qué está trabajando, en términos de las capacidades de la herramienta, pero luego también alinear su documento fuente con ello. El prompting es probablemente una de las habilidades clave aquí, y luego, por supuesto, limpiar su contenido fuente y asegurarse de que esté listo para la IA, esas son las dos cosas. Y desde una perspectiva de aprendizaje, yendo también a un ejemplo de Easygenerator, tenemos una función llamada Course Builder, donde tenemos una sección donde el alumno define sus objetivos. Así que, de nuevo, también ahí realmente animamos al autor a ser muy específico con sus objetivos, como qué es exactamente lo que quiere que haga el alumno, o qué quiere que sepa el alumno, qué temas, cuáles son los resultados. Y ser detallado ahí realmente ayuda a la IA a dirigir la creación de contenido en esa dirección, y a elegir las cosas correctas del documento fuente.

Ashling: Monique, puedo tratar esto fuera de línea también para ver si es algo que era más específico de Easygenerator, también puedo compartir algunas pautas más específicas contigo, pero me aseguraré de contactarte. Creo que eso nos lleva al final de hoy, noté que casi estamos en la hora, así que antes de terminar, ¿alguna última palabra, Talha, o alguna última palabra, Nelson?

Nelson: Puedo empezar yo. Así que fue bueno ver la experimentación como una de las cosas más votadas en su encuesta, y creo que eso es lo más importante en este momento, diría que todos necesitan ser el director de experimentación en sus organizaciones. Y lo que recomendaría es experimentar en público. No se trata solo de que usted experimente y pruebe con herramientas, sino que creo que lo que también es importante es construir la cultura en la organización, compartir con lo que ha estado experimentando, lo que aprendió, lo que funcionó, lo que no funcionó, y hacer eso en público. Y creo que esa es la mejor manera de impulsar la cultura de experimentación y adopción de IA en su organización, no hay mejor manera que experimentar en público.

Talha: Sí, lo resume muy bien. Sí, eso es definitivamente algo que realmente fomentaría, creo que es muy útil para la organización, y el aprendizaje compartido de la IA es donde realmente ocurrirá el progreso. Por mi parte, también, estoy muy, muy emocionado por hacia dónde se dirige la industria, hay muchas cosas emocionantes sucediendo, cada dos días ocurre una nueva innovación en IA que toma por sorpresa a todas las redes sociales, y de hecho están sucediendo cosas bastante interesantes. Así que, lo que esto significa para los equipos de L&D y los expertos en la materia, lo descubriremos en los próximos meses.

Ashling: Veamos, en los próximos seis a 12 meses estaremos aquí de nuevo revisando lo que viene a continuación. Pero por hoy, muchas gracias a Nelson y Talha por una conversación realmente honesta y práctica, la disfruté mucho y tengo muchas ideas que quiero ir a implementar ahora. Y también, quiero agradecer a todos los que se unieron a nosotros y enviaron preguntas.

Transcripción producida a partir de los subtítulos de VEED. Atribución del orador asignada según el contexto y el rol.