En 2025, el Boston Consulting Group formalizó una proporción que ya circulaba de manera informal entre quienes lideran proyectos de IA en grandes empresas: la regla 10-20-70. Según el informe "The Leader's Guide to Transforming with AI", de la consultora, apenas el 10% del esfuerzo de una transformación de IA exitosa debería ir a algoritmos y modelos, el 20% a tecnología y datos, y el 70% restante — la parte decisiva — a personas y procesos.
La cuenta llama la atención porque invierte lo que la mayoría de las empresas hace en la práctica. El presupuesto de IA suele seguir el camino contrario: la mayor parte va a licencias de herramientas e integración técnica, y lo que sobra se convierte en una capacitación de pocas horas para el equipo. Las organizaciones que invierten esta proporción, según la propia BCG, rara vez logran medir un retorno sobre la inversión.
Esto no significa que capacitar al equipo sea inútil. Significa que capacitar sin darle un lugar oficial para aplicar lo aprendido resuelve solo una fracción pequeña del problema — y es justamente la fracción que menos determina el resultado.
En empresas de Brasil y América Latina, esta distorsión suele aparecer de forma todavía más directa: la capacitación en IA se convierte en un ítem de recursos humanos o en un evento puntual, mientras el área de tecnología sigue tratando el acceso a la herramienta como un asunto aparte, resuelto con licencias individuales. Los dos frentes casi no se comunican, y el resultado es el mismo que describe BCG — solo que sin siquiera el registro de cuánto se gastó intentando resolver el problema por la mitad equivocada.
La paradoja de capacitar sin un lugar donde aplicarlo
El informe "State of AI in the Enterprise", de Deloitte, con 3.235 líderes de negocio y de tecnología en 24 países, entrevistados entre agosto y septiembre de 2025, muestra esta paradoja en números. El acceso de la fuerza laboral a herramientas de IA creció 50% en un año. Pero solo el 30% de las organizaciones está rediseñando procesos clave en torno a la IA, y el 37% usa la tecnología solo de manera superficial, con poco o ningún cambio en los procesos que sostienen el trabajo.
En otras palabras: mucha más gente con acceso a la IA, casi ningún cambio en cómo se hace realmente el trabajo. El acceso creció; el proceso, no.
El mismo desajuste aparece del lado de la capacitación. El "2025 Workplace Learning Report", de LinkedIn Learning, encontró que las empresas con programas sólidos de desarrollo de carrera tienen 42% más chance de estar entre las líderes en adopción de IA generativa, y 32% más chance de estar implementando programas de capacitación en IA este año. El patrón es consistente: la capacitación aislada no separa a quienes avanzan de quienes se quedan atrás — lo que separa es la capacitación asociada a un entorno de trabajo capaz de absorber lo aprendido.
Cuando ese entorno no existe, la capacitación se convierte en conocimiento suelto. La persona aprende a escribir un mejor comando, entiende los límites del modelo, sale del curso motivada — y vuelve a la misma cuenta personal de siempre, sin control, sin historial compartido y sin que nadie en la empresa sepa lo que descubrió.
Por qué la capacitación sola no cambia el resultado
Capacitar sin un entorno oficial tiene un efecto colateral específico: la empresa le enseña a la persona a sacarle más provecho a su propia cuenta personal de IA. Es una inversión real, pero queda con la persona, no con la empresa — y se evapora si cambia de área, deja la empresa, o simplemente olvida lo aprendido meses después de terminado el curso.
También hay un problema de medición. Cuando no existe un registro de lo que se hizo con IA, la empresa no puede distinguir quién realmente aplica lo aprendido de quién hizo el curso y nunca más volvió a tocar el tema. Sin ese dato, la propia capacitación no puede ajustarse — la empresa sigue invirtiendo en la misma fórmula sin saber si funciona.
El tercer problema es el más silencioso: lo que una persona descubre queda solo con ella. Un guion de respuesta bien construido, una forma eficiente de resumir un contrato, un agente configurado para una rutina específica — nada de eso se propaga al resto del equipo si no existe un lugar común donde pueda guardarse y reutilizarse. La empresa paga la capacitación de todo el equipo y recoge el conocimiento de una persona a la vez.
Lo que tiene que existir en la práctica
Un entorno que convierte la capacitación en capacidad real se apoya en mecanismos verificables, no en buena voluntad.
Identidad corporativa, no cuenta personal. La persona ingresa con el mismo usuario de la red de la empresa, proveniente del directorio corporativo — y cuando alguien es desvinculado, el acceso a la IA cae junto, sin depender de que alguien recuerde revocar una cuenta suelta.
Acceso según el rol de cada persona. Lo que cada uno ve y puede hacer está definido por la función que ejerce, incluso dentro de una herramienta conectada — no es todo o nada.
Aprobación humana según el riesgo. Las acciones sensibles se detienen, piden confirmación de una persona y solo continúan después. Los documentos que se convertirán en conocimiento oficial de la IA pueden pasar por una revisión y aprobación en dos etapas antes de entrar en uso.
Trazabilidad y auditoría. Quién creó qué, quién aprobó, cuándo se usó un agente: todo queda registrado y consultable, sin depender de la memoria de nadie.
Reutilización con permiso. Lo que una persona construye — un agente, un guion, un flujo de trabajo — puede ponerse a disposición de otras personas o grupos, con el alcance definido por rol y permiso, en lugar de morir en el historial de una sola cuenta.
Así fue diseñada Skyller: identidad proveniente del directorio de la empresa, permisos por rol y reutilización de agentes y guiones como estándar de la plataforma, no como función avanzada.
Del conocimiento individual a la capacidad colectiva
Cuando ese entorno existe, la capacitación cambia de función. Deja de ser el final del proceso — "el equipo hizo el curso" — y pasa a ser el comienzo de un ciclo: la persona aprende, aplica dentro de un entorno con identidad y permisos, lo que funciona queda registrado, y otra persona del equipo lo reutiliza sin necesidad de aprender desde cero.
Es un efecto parecido al que mide LinkedIn Learning cuando muestra que las empresas con una fuerte cultura de desarrollo de carrera se adelantan en la adopción de IA generativa: la capacitación no actúa sola, actúa dentro de un sistema que absorbe y distribuye lo aprendido. Sin ese sistema, cada nueva capacitación vuelve a empezar de cero, porque la anterior nunca dejó rastro en ningún lado.
Para quien decide el presupuesto, esa diferencia es la que realmente importa: capacitar sin entorno es un costo recurrente sin acumulación. Capacitar con entorno es un costo que se convierte en capacidad, porque lo que una persona aprende primero abarata el aprendizaje de quien viene después.
Esa lógica también cambia la forma de medir la propia capacitación. En lugar de contar cuántas personas completaron el curso, la pregunta relevante pasa a ser cuántos agentes, guiones o flujos creados por alguien fueron reutilizados por otra persona del equipo — un número que solo existe cuando hay un entorno común que registra lo que sucede.
Una hoja de ruta para empezar
Antes de aprobar otro presupuesto de capacitación en IA, vale la pena poner estas preguntas sobre la mesa:
- ¿Dónde va a aplicar el equipo lo que aprenda en el curso, ya mañana por la mañana? Si la respuesta es "en la cuenta de cada uno", la capacitación se va con la memoria de cada persona.
- ¿Lo que una persona descubre con IA hoy llega a otra persona del equipo, o queda solo con quien lo descubrió? Sin un lugar para reutilizarlo, cada nueva capacitación empieza de cero.
- Si alguien capacitado deja la empresa mañana, ¿qué queda? Si la respuesta es "nada", la inversión nunca se quedó en la empresa — se quedó solo en la persona.
- ¿Puede la empresa medir quién aplicó la capacitación y quién solo asistió? Sin ese registro, el próximo presupuesto repite la misma apuesta a ciegas.
