IA en Marcha: cuando llevamos la IA a quienes nunca pensaron en utilizarla.
Una serie sobre pequeños negocios con grandes historias. Protagonizada por Pau Garcia-Milà y desarrollado junto a Microsoft.
Para medir el impacto de la capacitación en IA no cuentes horas de curso: compara cuánta gente usaba la herramienta antes y cuánta la usa de forma regular después. Esa diferencia, la tasa de adopción, es tu primera señal de que la formación funciona. El resto de métricas se construye encima de ese dato base.
Lo que vas a sacar de aquí
- Medir la capacitación en IA empieza por comparar la tasa de adopción antes y después de la capacitación, no por contar horas de curso.
- El modelo de Kirkpatrick te da cuatro niveles para medir el éxito de la capacitación en IA, desde la reacción del equipo hasta el impacto en el negocio.
- Las métricas más útiles combinan datos cuantitativos, como el uso de IA en el trabajo diario, con señales cualitativas de una encuesta de satisfacción.
- El ROI de la capacitación en IA se puede estimar con proxies concretos, como tiempo ahorrado por tarea automatizada, aunque poner un número exacto sea difícil.
- Un marco de medición a 30 y 90 días te permite distinguir entusiasmo inicial de adopción real y sostenida.
Inviertes en formar a tu equipo en inteligencia artificial. Semanas después, alguien de dirección te pregunta si ha servido. Si tu única respuesta es «hicimos 12 horas de curso», tienes un problema de medición. Contar asistencia no dice nada sobre si el trabajo cambió. Este artículo te da un marco práctico para medir la capacitación en IA con datos: qué métricas usar, cómo capturar la línea base, cómo aplicar el modelo Kirkpatrick y cómo estimar el ROI sin inventar cifras. Al terminar, tendrás un plan medible que puedes defender ante cualquier comité.
Qué significa medir la capacitación en IA y para quién es relevante
Medir la capacitación en IA significa evaluar si la formación cambió la forma de trabajar del equipo, no solo si el equipo asistió. Medir asistencia responde a «¿fueron a clase?». Medir el efecto concreto sobre el trabajo responde a «¿usan ahora la inteligencia artificial en su trabajo diario y con qué resultado?». Son preguntas distintas con respuestas distintas.
Esta medición es relevante para tres perfiles concretos. Los responsables de aprendizaje y desarrollo necesitan justificar el presupuesto de formación con datos. Los mánagers de equipo quieren saber si su gente rinde mejor tras formarse. Recursos humanos busca conectar la capacitación con capacidades reales del negocio, algo que hoy forma parte de cualquier proceso serio de transformación digital.
La medición convierte una intuición («creo que ha ido bien») en evidencia («el 60% del equipo ya usa la IA en al menos una tarea semanal»). Sin esa evidencia, cualquier inversión en formación queda expuesta al primer recorte de presupuesto.
El error habitual es confundir actividad con resultado. Un equipo puede completar todos los módulos y no cambiar ni un solo proceso. Por eso la medición no empieza el último día del curso. Empieza antes, con una foto clara del punto de partida. Si aún estás diseñando el plan, esta guía para capacitar equipos en IA te ayuda a estructurar el programa desde cero con la medición en mente.
Por qué la tasa de adopción es la primera métrica clave que debes medir
La tasa de adopción es la métrica base porque mide lo único que importa al principio: si la gente usa la herramienta o no. Puedes tener el mejor programa de formación en IA del mundo, pero si nadie abre las soluciones de inteligencia artificial después de formarse, no hay cambio que cuantificar.
Calcularla es simple. Compara cuántas personas usaban la IA de forma regular antes de la formación con cuántas la usan después. Un salto del 20% al 70% de uso regular es una señal fuerte. Un salto del 20% al 25% te dice que algo falla en la adopción, no en el contenido.
Cuidado con una trampa común: el uso declarado no es el uso real. Si preguntas «¿usas la IA?» en una encuesta, mucha gente dirá que sí porque suena bien. Necesitas datos reales de uso de la IA, no percepciones.
Estas son las señales que conviene rastrear para adoptar la IA con criterio:
- Frecuencia de uso: cuántas veces por semana abre cada persona la herramienta.
- Amplitud de uso: cuántas tareas distintas resuelve con IA, no solo una.
- Persistencia: si sigue usándola a los 90 días o si abandonó tras la primera semana.
- Automatización: cuántos pasos manuales ha sustituido por un flujo asistido con IA.
La adopción sostenida, no el pico inicial, es lo que separa una formación que funciona de una que solo generó entusiasmo pasajero.
Cómo capturar la línea base en Microsoft 365 antes de la capacitación
No puedes medir un cambio si no registras el punto de partida. Antes de formar al equipo, captura la línea base: cuánta IA generativa se usa ya, qué tareas se hacen a mano y cómo es el flujo de trabajo actual.
Si tu equipo trabaja con Microsoft 365, tienes datos de uso a mano. Los informes de uso de Copilot y las métricas de actividad de las aplicaciones te dan un punto de referencia objetivo. Registra tres cosas antes de empezar:
- Número de personas que usan alguna herramienta de IA de forma regular hoy.
- Tiempo medio dedicado a las tareas que la formación pretende acelerar.
- Procesos del área que aún son 100% manuales.
Esa foto inicial es la que hará creíble tu medición posterior. Sin línea base, cualquier mejora que reportes será una afirmación sin respaldo.
El modelo Kirkpatrick para medir el éxito de la capacitación en IA
El modelo Kirkpatrick es un marco reconocido para medir el éxito de la formación en cuatro niveles, desde la reacción inmediata hasta el impacto en el negocio. Aplicado a la IA, ordena la medición de lo más fácil de capturar a lo más valioso de demostrar, y te ayuda a evaluar el efecto de la formación de forma estructurada.
Los cuatro niveles funcionan así:
| Nivel Kirkpatrick | Qué mide | Cómo se captura | Dificultad |
|---|---|---|---|
| 1. Reacción | Satisfacción del equipo con la formación | Encuesta de satisfacción | Baja |
| 2. Aprendizaje | Conocimientos y habilidades adquiridos | Evaluación previa y posterior | Media |
| 3. Comportamiento | Cambios en el trabajo diario | Observación y datos de uso | Media-alta |
| 4. Resultados | Impacto en procesos y negocio | KPIs de área y proxies de ROI | Alta |
La mayoría de las empresas se quedan en el nivel 1. Miden si el curso gustó y dan la formación por buena. El valor real está en los niveles 3 y 4, donde se ve si el aprendizaje se convirtió en cambio de comportamiento y, después, en resultado medible.
El aprendizaje, entendido como el nivel 2, es necesario pero insuficiente. Que alguien apruebe una evaluación de conocimientos no garantiza que aplique nada. Por eso el modelo te obliga a subir hasta el comportamiento observable.
Nivel 1 y 2: reacción y aprendizaje del equipo con KPIs iniciales
Los dos primeros niveles se capturan justo después de la formación y sirven como primer indicador clave de rendimiento.
Para el nivel 1, una encuesta de satisfacción corta basta: ¿la formación fue relevante para tu trabajo? ¿La aplicarás? Estas respuestas te dan una señal temprana, pero no confundas satisfacción con cambio de comportamiento. Un curso puede gustar y no modificar ningún proceso.
Para el nivel 2, mide el aprendizaje con una evaluación de conocimientos antes y después. La diferencia entre ambas puntuaciones es tu KPI de aprendizaje. Es uno de los indicadores más fáciles de defender porque el dato es objetivo y comparable entre grupos. Según datos de la Association for Talent Development, los programas que incluyen ejercicios prácticos aplicados a problemas reales obtienen diferencias pre-post hasta un 40% mayores que los programas puramente teóricos. Una buena experiencia de aprendizaje hace que esa diferencia sea mayor.
Nivel 3 y 4: comportamiento e impacto en proyectos de IA del negocio
Aquí es donde la medición se vuelve valiosa. El nivel 3 observa si el trabajo diario cambió de verdad. ¿Se ha modificado algún proceso del área para incluir IA? ¿La gente resuelve tareas de forma distinta a como las resolvía antes?
El nivel 4 conecta ese cambio con resultados del negocio. Un caso de uso concreto lo ilustra mejor que cualquier teoría: un equipo de atención al cliente que pasa de redactar respuestas desde cero a revisar borradores generados con asistentes de IA. El cambio de comportamiento (nivel 3) alimenta un resultado medible (nivel 4): más tickets resueltos por hora.
Los proyectos de IA del negocio son el terreno donde estos dos niveles se demuestran. Elige uno o dos procesos concretos y mídalos a fondo, en lugar de intentar medirlo todo a la vez.
KPIs y métricas concretas para medir el efecto de la IA en el trabajo diario
Las métricas concretas para cuantificar el efecto de la IA se centran en cambios observables en el trabajo real, no en sensaciones. Estos son los KPIs que mejor funcionan porque son medibles y difíciles de discutir:
- Tiempo ahorrado por tarea: minutos que recupera cada persona en una tarea recurrente.
- Número de tareas automatizadas: cuántos pasos manuales pasan a ser procesos automatizados asistidos con IA.
- Reportes con análisis de datos: cuántos informes incluyen ahora análisis que antes no se hacían por falta de tiempo.
- Velocidad de ejecución: cuánto tarda el equipo en completar un entregable frente al tiempo previo.
- Volumen de trabajo procesado: cuánto más produce el equipo con el mismo esfuerzo, la vía más directa para aumentar la productividad.
Un dato de referencia útil: según IBM Consulting, medir la productividad de la IA generativa en la empresa exige combinar métricas de tiempo con métricas de calidad del output, porque ir rápido no sirve si el resultado empeora. La velocidad sin calidad es una métrica engañosa.
La clave es elegir pocos KPIs y medirlos bien. Tres métricas clave bien capturadas valen más que quince a medias. Cada KPI debe conectarse a una tarea real que el equipo hace cada semana, no a un objetivo abstracto de «ser más productivos». Así es como consigues medir con rigor si la formación funciona.
Métricas cuantitativas vs. señales cualitativas basadas en datos
No todo lo que importa se cuenta con un número. Necesitas combinar métricas duras con señales cualitativas para tener una imagen completa y analizar los datos con contexto.
| Tipo | Qué mide | Cómo se recoge | Cuándo usarla |
|---|---|---|---|
| Cuantitativa | Velocidad de ejecución, tiempo ahorrado | Datos de uso, cronometraje de tareas | Para demostrar el efecto de la formación con cifras |
| Cualitativa | Confianza del equipo con la herramienta | Encuesta de satisfacción, entrevistas | Para entender por qué sube o baja la adopción |
Un ejemplo aclara la diferencia. La velocidad de ejecución (cuantitativa) te dice que el equipo tarda un 30% menos en un informe. La confianza del equipo con la herramienta (cualitativa) te explica si ese ahorro se sostendrá o si la gente aún duda de los resultados de la IA. Las dos señales, leídas juntas, te dan una lectura fiable basada en datos reales.
Cómo calcular el ROI real de la capacitación en IA con proxies medibles
El ROI de la capacitación en IA se estima con proxies medibles, no con cifras infladas. Poner un número exacto al retorno de la inversión es difícil, y cualquiera que te prometa una cifra cerrada probablemente la esté inventando. Lo honesto es trabajar con aproximaciones defendibles.
Estos son los proxies que puedes usar sin exagerar:
- Horas recuperadas: tiempo ahorrado por tarea multiplicado por frecuencia y número de personas.
- Procesos rediseñados: cuántos flujos de trabajo se han rediseñado alrededor de la IA.
- Reportes con análisis de datos: trabajo de mayor valor que antes no se hacía por falta de tiempo.
- Reducción de errores: menos correcciones en tareas donde la IA da soporte.
La lógica es simple: si cada persona recupera dos horas semanales en una tarea, multiplica esas horas por el coste por hora y tienes una estimación del valor liberado. No es un ROI exacto, pero es un proxy honesto y comprobable que te permite evaluar si la inversión en formación genera retorno.
Esta medición conecta con la transformación de procesos concretos del área. La capacitación en IA no es un gasto de formación aislado: es una palanca de mejora operativa cuando se mide bien. GitLab propone en su marco de medición del efecto de la IA empezar por definir el resultado esperado antes de formar, no después, precisamente para poder atribuir el retorno con criterio.
Reconoce siempre el límite: los resultados dependen del contexto específico y del nivel de aplicación de cada equipo. Un proxy defendible vale más que una cifra impresionante que nadie puede verificar.
Cómo integrar la medición basada en datos en tu flujo de trabajo con dashboards
La medición se sostiene en el tiempo cuando vive en un dashboard, no en una hoja de cálculo que alguien actualiza cuando se acuerda. Hacer de la medición basada en datos una parte del flujo de trabajo elimina la dependencia de que alguien recuerde actualizarla.
Si trabajas con el entorno Microsoft 365, tienes la infraestructura a mano:
- Power BI para construir dashboards que crucen datos de adopción, tiempo ahorrado y KPIs de área en una sola vista.
- Informes de uso de Microsoft 365 para seguir la adopción real de las herramientas de IA sin depender de encuestas.
- Paneles de seguimiento que muestren la evolución a 30 y 90 días de forma automática.
Un dashboard bien configurado desplaza la conversación de «creo que ha ido bien» a «esto es lo que muestran los datos a 90 días». Ese cambio de lenguaje es lo que hace que dirección tome la formación en serio y apruebe la siguiente iteración.
La medición basada en datos, y no en percepciones, es lo que permite comparar grupos, iteraciones de formación y áreas distintas con la misma vara. Sin ese soporte, cada revisión depende de la memoria de quien reporta.
Formación en IA interna vs. externa y dónde manda el criterio humano
Una de las primeras decisiones al montar un plan de capacitación en IA es si construyes una academia interna o traes un formador externo. No hay respuesta única, depende de tu contexto:
| Opción | Ventaja principal | Cuándo elegirla |
|---|---|---|
| Academia interna | Contenido adaptado a tus procesos | Cuando tienes escala y casos de uso propios claros |
| Formador externo | Experiencia y actualización constante | Cuando quieres arrancar rápido sin construir desde cero |
Sea cual sea la opción, hay un límite que la medición no puede cruzar: la IA es un apoyo, no un sustituto del criterio. Los datos que devuelven los sistemas de IA y los agentes autónomos de IA necesitan supervisión humana antes de convertirse en decisiones. Un dashboard puede mostrarte que la adopción cayó, pero interpretar por qué y qué hacer es trabajo de una persona.
Usar la IA de forma responsable pasa por reconocer esto: automatizas la captura de datos, no el juicio sobre lo que significan. Founderz forma parte de una cátedra sobre uso responsable de la IA, precisamente porque medir bien también implica decidir bien con esos datos en la mano.
Preguntas frecuentes sobre cómo medir la capacitación en IA
¿Cómo medir el resultado de una capacitación en IA?
Compara el comportamiento antes y después, no la asistencia. Captura una línea base del uso de la IA y del tiempo por tarea antes de formar. Después, mide la tasa de adopción, el tiempo ahorrado y los procesos que cambiaron. El modelo Kirkpatrick te ordena esta medición en cuatro niveles, desde la satisfacción del equipo hasta el efecto sobre el negocio.
¿Cuáles son 5 indicadores de capacitación en IA?
Cinco indicadores útiles son: tasa de adopción (cuánta gente usa la IA de forma regular), tiempo ahorrado por tarea, número de tareas automatizadas, mejora en la evaluación de conocimientos antes y después, y confianza del equipo con la herramienta. Los cuatro primeros son cuantitativos y el último es cualitativo. Combinados, te dan una lectura completa del efecto real de la formación.
¿Cómo se puede aplicar la IA en la capacitación?
La IA se aplica en la capacitación de dos formas. Como contenido, con ejercicios prácticos basados en inteligencia artificial y casos de uso reales. Y como apoyo a la propia medición, analizando datos de uso, generando informes de adopción y detectando patrones de comportamiento. Si quieres profundizar en el lado del contenido, revisa qué herramientas de IA para formar empleados encajan mejor con tus casos de uso. En ambos casos, el criterio humano sigue mandando en la interpretación de los datos.
¿Cómo exigir métricas de efecto financiero real de la IA?
Calcula las horas recuperadas multiplicando el tiempo ahorrado por tarea por su frecuencia y por el número de personas. Suma los procesos rediseñados y los reportes que ahora incluyen análisis de datos. Convierte las horas en coste por hora para estimar el valor liberado. Reconoce siempre que el resultado depende del contexto de cada equipo: un proxy defendible vale más que una cifra impresionante que nadie puede verificar.
Antes de la capacitación, ¿cómo sé cuántas personas usaban ya la herramienta de IA?
Captura la línea base antes de formar. Si trabajas con Microsoft 365, los informes de uso de las aplicaciones y de Copilot te dan datos objetivos de cuántas personas usan la IA de forma regular hoy. Evita basarte en encuestas de uso declarado, porque tienden a inflar la cifra. Un dato de uso real es la referencia que hará creíble tu medición posterior.
¿Qué métricas de adopción debo revisar a los 30 y 90 días?
A los 30 días revisa el pico inicial de adopción: cuánta gente empezó a usar la IA tras formarse. A los 90 días revisa la persistencia: cuántas de esas personas siguen usándola de forma regular. La diferencia entre ambos momentos distingue el entusiasmo pasajero de la adopción sostenida. Añade tiempo ahorrado y tareas automatizadas para ver si el uso se traduce en resultado medible.
Tu próximo paso para medir la capacitación en IA de tu equipo
Sin medición, la inversión en formación queda a ciegas y la primera pregunta incómoda de dirección la deja sin respuesta. Con un marco claro de medición del efecto, tienes datos que defienden la formación por sí solos.
El paso lógico si esto te resulta útil es estructurar un programa de capacitación en IA para empleados que sea medible desde el diseño, con línea base, métricas clave y seguimiento a 30 y 90 días. La formación en IA para empresas de Founderz, desarrollada en colaboración con Microsoft y con más de 700.000 alumnos formados en todo el mundo, parte de la aplicación real al trabajo, que es donde la medición cobra sentido. Empieza por definir qué quieres medir y construye el plan alrededor de ese objetivo.
