En marzo de 2026, investigadores de la Universidad de Texas en Austin, junto con KPMG, publicaron en Harvard Business Review el retrato más detallado hecho hasta ahora sobre cómo las personas realmente le piden ayuda a la IA en el trabajo. Siguieron a 2.597 empleados de una gran empresa durante ocho meses y analizaron 1,4 millones de solicitudes hechas a asistentes de IA.
El resultado incomodó a quien esperaba que la herramienta nivelara al equipo por sí sola. Solo cerca del 5% de los empleados le pedía ayuda a la IA de una manera que los investigadores llamaron sofisticada: daban instrucciones específicas, pedían que la IA explicara su razonamiento antes de aceptar la respuesta, y refinaban la solicitud varias veces hasta que funcionara de verdad. El resto pedía una vez, aceptaba la primera respuesta y seguía adelante.
El dato más contraintuitivo del estudio es este: la diferencia no estaba en quién usaba más la IA. Algunos de los usuarios más frecuentes estaban, al mismo tiempo, entre los menos sofisticados. Lo que separaba al grupo de arriba del resto no era dedicación. Era método — y el método se puede enseñar, copiar y publicar.
Una minoría sostiene el promedio
Los investigadores identificaron cuatro señales que distinguen el uso sofisticado: la persona vuelve a la IA con frecuencia para refinar lo que ya pidió, es ambiciosa en la primera solicitud en lugar de pedir algo demasiado pequeño, exige que la IA explique su razonamiento antes de aceptar la respuesta, y elige la herramienta correcta para cada tarea en vez de usar siempre la misma por costumbre. Ninguna de estas señales depende de conocimiento técnico: son hábitos de trabajo, no conocimiento de programación.
El mismo patrón aparece, con números aún más claros, en un estudio publicado en la Quarterly Journal of Economics por investigadores del MIT y de Stanford. Siguieron a 5.179 agentes de atención al cliente antes y después de la llegada de un asistente de IA integrado al sistema de atención. En promedio, la productividad subió un 14%. Pero ese promedio escondía dos grupos muy distintos: los agentes principiantes ganaron hasta un 34% de productividad, mientras que los más experimentados casi no cambiaron de nivel — en algunos casos, la satisfacción del cliente con ellos incluso bajó.
El motivo detrás de ese resultado es lo que importa aquí. El asistente de IA no le enseñaba nada nuevo a los agentes experimentados: ya reflejaba lo que ellos hacían. Para los principiantes, en cambio, el sistema replicaba las respuestas y los enfoques de los mejores agentes del equipo — en la práctica, convertía el saber hacer de quien ya dominaba el trabajo en algo que cualquier persona recién llegada podía usar desde el primer día. Un agente con dos meses de antigüedad, usando la herramienta, producía tanto como un veterano de seis meses sin ella.
Por qué la capacitación genérica no alcanza
La tentación habitual es resolver esa diferencia con un curso de "cómo usar IA en el trabajo" para todos. Un experimento controlado publicado por el National Bureau of Economic Research en 2026, con 1.174 participantes de entre 25 y 45 años, ayuda a entender por qué esa salida no basta por sí sola.
En el experimento, cada participante resolvía un problema de negocios, con o sin acceso a un asistente de IA. Sin IA, quienes tenían más escolaridad sacaban 0,548 desviaciones estándar más que quienes tenían menos escolaridad — una diferencia grande. Con acceso a la IA, esa diferencia bajó a 0,139 desviaciones estándar: una reducción de cerca del 75%. La herramienta, por sí sola, ya funcionaba como un nivelador parcial.
Pero el propio estudio mostró el límite de eso. Al analizar el historial de conversaciones, los investigadores vieron que los participantes con más escolaridad seguían sacando más valor de la misma herramienta: daban instrucciones más precisas, exploraban más posibilidades, refinaban más. La IA reduce parte de la distancia por sí sola, pero no cierra la distancia entera. Lo que cierra el resto es que alguien tome la forma de pedir que ya funciona — descubierta por quien tiene más práctica — y la publique para quienes todavía no llegaron a ese punto.
Lo que tiene que existir en la práctica
Estandarizar la solicitud que funciona no es escribir un manual y esperar que alguien lo lea. Cinco mecanismos verificables marcan la diferencia.
Solicitudes publicadas por rutina, no por persona. Cobranza de morosidad, minuta de reunión, clasificación de un ticket, respuesta a un reclamo recurrente: cada rutina que se repite toda semana se convierte en una solicitud probada, publicada una vez — no una invención nueva de cada persona, cada vez.
Alcance definido por quien la publica. Quien crea la solicitud elige quién la ve: todo el equipo, un departamento, o solo quienes tienen determinado rol. Eso evita dos errores opuestos: trabar todo detrás de un permiso excesivo, o difundir una solicitud sensible a quien no debería verla.
Agentes que ejecutan la rutina en etapas, no solo responden una pregunta. El paso siguiente de una solicitud reutilizable es un agente que ya sabe llevar adelante toda la rutina — buscar la información, aplicar el formato correcto, dejarlo listo para revisión — sin que la persona tenga que reconstruir el razonamiento cada vez.
Conocimiento aprobado detrás de la solicitud. La plantilla apunta a la versión vigente del proceso o de la política de la empresa, así que el resultado no depende de que quien hizo la solicitud haya copiado la versión correcta del documento correcto.
Dueño y versión vigente. Cuando el proceso cambia, la solicitud publicada cambia junto con él — de forma automática, no por la buena voluntad de alguien que recuerde actualizar el texto disperso en correos y notas personales.
Así fue diseñada la Skyller: plantillas de proceso listas y agentes reutilizables, con alcance definido por persona, grupo y rol, para que la forma de pedir que una persona descubrió sola se convierta en un estándar disponible para el resto del equipo.
Del talento aislado a la ganancia colectiva
El efecto más costoso de la improvisación individual no aparece en la planilla de costos: aparece en la rotación. Cuando la persona que descubrió la forma correcta de pedir una propuesta comercial bien estructurada deja la empresa, ese conocimiento se va con ella. Nadie documentó la solicitud, solo el resultado que producía mientras ella estuvo ahí.
Publicar la solicitud invierte esa lógica. El estudio de atención al cliente mostró el tamaño del efecto cuando esto sucede de forma automática, por la propia herramienta: un agente nuevo que alcanza el nivel de un veterano en dos meses. Una empresa que identifica deliberadamente a quien ya pide bien — y publica esa solicitud para el grupo correcto — no necesita esperar a que la IA lo descubra sola, ni depender de la suerte al contratar. Y no necesita empezar de cero: la Skyller, por ejemplo, ya viene con más de 170 plantillas de procesos y políticas listas para adaptar a la rutina de cada área.
Bajo este diseño, la ganancia de productividad deja de tratarse de "quién es bueno con la IA" — un talento distribuido de forma desigual y difícil de prever al contratar — y pasa a ser un proceso repetible: descubrir, publicar, dar alcance, mantener actualizado.
Una hoja de ruta para empezar
Antes de comprar más licencias o programar otra capacitación genérica, cinco pasos ayudan a convertir el talento individual en capacidad de equipo.
- Enumere las cinco rutinas más repetidas del equipo. Pregunte a cada persona qué solicitud de IA hace toda semana, casi sin variación. Cobranza, resumen de reunión, clasificación de tickets: lo que se repite es candidato a convertirse en plantilla.
- Encuentre a quien ya pide bien, aunque no lo sepa. Según el estudio de KPMG, esa persona no es necesariamente la más técnica ni la que más usa la herramienta: es quien refina la solicitud hasta que funciona de verdad. Es probable que ya esté en el equipo.
- Convierta su solicitud en una plantilla publicada, con el proceso o la política correctos incorporados — no un texto suelto que cada quien copia, pega y adapta mal.
- Defina el alcance antes de publicar. Todo el equipo, un departamento, o solo un rol específico: el alcance correcto evita tanto el desorden de permisos como el cuello de botella de aprobaciones innecesarias.
- Revise la plantilla cuando el proceso cambie, y no solo cuando alguien se queje de que la respuesta salió mal.
