Caso: adopción de IA generativa en equipos no técnicos

Contexto

Entidad financiera mediana. Un área de back office de aproximadamente 60 personas distribuida en tres equipos: operaciones, control documental y atención interna. La dirección había detectado, casi por accidente, que entre un 20 y un 30% del equipo ya estaba usando ChatGPT por su cuenta para redactar correos internos, resumir actas o convertir tablas. Sin política, sin formación, sin criterio común y sin nadie midiendo nada.

El responsable del área lo planteó así en la primera reunión: "no quiero prohibirlo, pero tampoco puedo seguir mirando para otro lado. La gente está aprendiendo cosas raras de YouTube y compartiendo prompts por WhatsApp."

Había además una capa adicional: la entidad opera bajo normativa interna estricta sobre datos de clientes. Cualquier despliegue tenía que ser compatible con compliance y con el equipo de seguridad.

El desafío

Tres tensiones que había que resolver a la vez:

• Consolidar el uso sin frenarlo. Apagar el "shadow IT" sin matar la motivación del equipo, que estaba experimentando con ganas.
• Formación homogénea, no genérica. Una persona de control documental no necesita lo mismo que una de operaciones. Cursos de "ChatGPT para todos" no servían.
• Respeto a la normativa interna. Definir qué se podía y qué no se podía hacer con datos sensibles, y dejarlo por escrito antes de seguir escalando.

Aproximación

Programa de 8 semanas estructurado en cuatro bloques:

1. Semanas 1-2 — Diagnóstico individual y por rol. Entrevistas cortas (20 minutos) con una muestra representativa del equipo: qué tareas hacen, dónde pierden tiempo, qué han probado ya con IA. Salieron 14 casos de uso recurrentes y un mapa claro de quién estaba más avanzado y quién no había tocado nada.
2. Semana 3 — Prioridad y política de uso. Selección de los 5 casos de uso con mayor ratio impacto / facilidad. Redacción —junto a compliance y seguridad— de una política de uso interno: qué herramientas, qué datos sí, qué datos no, dónde escalar dudas. Una página, no veinte.
3. Semanas 4-6 — Formación práctica por roles. Tres tracks paralelos (operaciones, control documental, atención interna) con sesiones de 90 minutos en grupos de 8-10. Cada sesión arrancaba con un caso real del propio equipo, no con teoría. Plantillas de prompts por rol, biblioteca compartida y un canal de Slack para preguntas.
4. Semanas 7-8 — Métricas de adopción y rituales. Definición de tres métricas: frecuencia de uso, tiempo declarado liberado y casos de uso activos por persona. Revisión quincenal con el responsable del área. Sesión de cierre con reconocimiento a los 5 mejores casos del periodo.

Resultados

• +38% de tiempo liberado en tareas repetitivas medidas (autodeclaración con muestreo cruzado en 12 personas).
• 92% del equipo usa IA al menos 3 veces por semana en la semana 8, frente a un 25-30% inicial.
• Política de uso interno redactada, aprobada por compliance y firmada por el 100% del equipo.
• 14 casos de uso priorizados con plantillas de prompt validadas y disponibles en la biblioteca interna.
• 0 incidencias de seguridad o privacidad reportadas durante el programa.

El responsable del área amplió el programa a otros dos departamentos al cierre.

Aprendizaje aplicable

La adopción de IA en equipos no técnicos no se construye en una formación de un día. Se construye con casos de uso por persona y seguimiento cercano las primeras semanas. La formación genérica produce entusiasmo el lunes y olvido el viernes. Lo que produce adopción real es que cada persona vea su tarea concreta resuelta con IA delante de sus ojos —y luego tenga a alguien a quien preguntar cuando se atasque.

Lo otro que aprendí en este proyecto: el orden importa. Si la política de uso llega después de la formación, llega tarde. Si llega antes, frena. El punto correcto es la semana 3, cuando el equipo ya tiene contexto pero todavía no ha consolidado hábitos.

Nota sobre confidencialidad

El nombre de la entidad está omitido por acuerdo de confidencialidad. Las cifras son reales o estimaciones conservadoras basadas en mediciones internas del propio cliente.