El problema no siempre está en las capacidades

Cuando una organización introduce IA y el desempeño cambia, una explicación habitual es que han aparecido nuevas brechas de competencias. Puede ser cierto: quizá las personas todavía no saben contrastar una respuesta, supervisar una recomendación o decidir cuándo cuestionarla. Pero existe otro diagnóstico: la capacidad puede estar presente y haber perdido su espacio de aplicación.

La OIT analiza la exposición a la IA generativa a partir de las tareas que componen las ocupaciones. Para RRHH y L&D, esta perspectiva obliga a mirar más allá del inventario de competencias y comprobar qué tareas siguen exigiendo realmente las capacidades que la organización considera importantes.

Una capacidad puede existir y quedar fuera del flujo de trabajo

Imaginemos un analista que antes recibía información dispersa, seleccionaba fuentes, comparaba hipótesis y construía una recomendación. Tras incorporar IA, recibe una síntesis estructurada, varias conclusiones y una propuesta de respuesta. Paralelamente, la empresa le forma en pensamiento crítico y supervisión.

Puede seguir sabiendo analizar, pero hacerlo mucho menos. Construye menos hipótesis desde cero, consulta con menor frecuencia las fuentes originales y entra cuando gran parte del razonamiento ya está elaborado. La capacidad existe, pero el trabajo ha reducido dónde ejercerla.

¿Necesita entonces más reskilling? Solo si no sabe hacer lo que el nuevo trabajo le exige. Si sabe contrastar o decidir, pero el flujo apenas crea situaciones donde tenga que hacerlo, seguir formando desplaza hacia la persona un problema que pertenece al diseño del trabajo.

La brecha puede estar entre lo que exigimos y lo que permitimos practicar

Una brecha de capacidad significa que la persona todavía no puede desempeñar adecuadamente una actividad necesaria. Una brecha de práctica aparece cuando esa capacidad sigue siendo importante, pero se reducen las tareas donde puede utilizarse y consolidarse.

No todas las tareas automatizadas generan este problema. Algunas son repetitivas y su eliminación libera tiempo para actividades más exigentes. El riesgo surge cuando la organización mantiene una capacidad entre sus expectativas mientras elimina, sin sustituirlas, las situaciones donde entra en juego.

El efecto sobre el aprendizaje profesional se desarrolla en Cuando la IA hace el trabajo fácil, aprender se vuelve más difícil. Aquí la pregunta es distinta: si una capacidad sigue siendo necesaria después de automatizar, ¿basta con enseñarla mejor o hay que modificar también las tareas para que pueda ejercerse?

Formar corrige una capacidad insuficiente. Rediseñar corrige un trabajo que ya no permite utilizar una capacidad necesaria.

Qué revisar antes de responder con más formación

Antes de activar más reskilling, conviene comparar qué exigía una tarea antes de automatizarse y qué exige después. No basta con comprobar si la persona ha adquirido una competencia. Hay que observar si todavía analiza, contrasta, formula alternativas, toma decisiones y afronta excepciones, o si entra cuando esas operaciones ya han sido resueltas por la IA.

Si una capacidad necesaria no existe o es insuficiente, la formación sigue siendo la respuesta adecuada. Si existe pero apenas encuentra situaciones donde ejercerse, el problema alcanza al diseño del trabajo. Y si esa práctica se conserva en otra experiencia equivalente, no hay motivo para mantener la tarea original.

Identificar qué capacidades dependen realmente de una tarea

Una tarea puede limitarse a utilizar una capacidad ya consolidada o funcionar como práctica para desarrollarla y mantenerla. Revisar documentos rutinarios puede aportar poco aprendizaje a un profesional experimentado, mientras que enfrentarse progresivamente a casos ambiguos puede ser decisivo para construir autonomía ante excepciones.

Hay varias señales de que el problema puede no resolverse con más formación:

• Capacidad sin práctica: la organización considera crítica una capacidad que apenas aparece ya en el trabajo asignado.
• Validación sin elaboración: la persona revisa resultados de IA, pero construye cada vez menos análisis propios con los que contrastarlos.
• Excepciones concentradas: los casos difíciles llegan siempre a expertos y otros perfiles pierden la exposición gradual necesaria para asumirlos.
• Aprendizaje sin aplicación: se desarrolla una capacidad sin identificar qué tareas exigirán utilizarla después.

Estas señales no demuestran que la automatización esté mal diseñada. Indican que conviene comprobar si se está intentando corregir mediante formación una carencia creada por la distribución de las tareas.

Revisar qué cambia cuando la IA pasa de asistir a ejecutar

No produce el mismo efecto utilizar IA para generar alternativas que delegarle el recorrido completo hasta una respuesta final. En el primer caso, la persona todavía interpreta, compara y decide. En el segundo, puede limitarse a aprobar o corregir un resultado ya elaborado.

Por eso, importa menos qué porcentaje de la tarea ejecuta la IA que qué debe seguir sabiendo hacer la persona sin depender del resultado generado para detectar errores, afrontar excepciones y responder por la decisión.

La automatización empieza a requerir rediseño cuando coinciden tres condiciones: la capacidad sigue siendo crítica, la tarea aporta una práctica relevante y el nuevo flujo no ofrece una experiencia equivalente. Si falta alguna, preservar la tarea puede ser innecesario.

Decidir entre automatizar, transformar, preservar o trasladar

Una tarea puede automatizarse por completo cuando su desaparición no debilita una capacidad necesaria. Conviene transformarla cuando la IA puede asumir la parte mecánica, pero análisis, contraste o decisión siguen aportando práctica relevante.

Preservar una parte tiene sentido cuando esa experiencia todavía resulta necesaria para que el equipo pueda asumir situaciones más complejas. Trasladar el aprendizaje es otra opción cuando la tarea puede desaparecer, pero su función de práctica puede reproducirse deliberadamente en otro contexto.

El objetivo no es proteger tareas concretas. Es asegurar que una capacidad que seguirá siendo exigida conserve un lugar donde ejercerse. Si ese lugar desaparece y no existe sustituto, el rediseño debe formar parte de la automatización, no llegar después convertido en más formación.

Quién debe rediseñar el trabajo y con qué criterio

Si la automatización altera las oportunidades de práctica, el problema deja de pertenecer solo a L&D. Tampoco puede resolverlo por separado quien implanta la tecnología. La decisión afecta a capacidades, tareas y resultados, así que necesita responsabilidades distintas pero conectadas.

RRHH y L&D pueden identificar qué capacidades deben preservarse. Los managers saben dónde se ejercen realmente y qué experiencias preparan al equipo para asumir más complejidad. Tecnología puede delimitar qué partes del flujo puede asumir la IA. Pero la responsabilidad final sobre el diseño debe recaer en quien responde por el proceso o el resultado, porque es quien debe aceptar o corregir las consecuencias de esa automatización.

RRHH y L&D deben conectar aprendizaje y trabajo real

Su responsabilidad no es diseñar cada proceso operativo, sino detectar incoherencias. Si una capacidad aparece como prioritaria en el mapa de capacidades pero apenas tiene presencia en el trabajo cotidiano, hay una señal que merece revisión.

Por eso, evaluar el reskilling debería incluir algo más que finalización, satisfacción o adquisición declarada de competencias. Una pregunta mucho más útil es: ¿dónde vemos esta capacidad en acción después de la formación? Si la respuesta remite solo al aula, a una simulación o a una evaluación, todavía no sabemos si el nuevo diseño del trabajo permite consolidarla.

RRHH y L&D deben hacer visible esa brecha y exigir que se revise. La decisión de conservar, transformar o eliminar una tarea, sin embargo, debe tomarse junto a quienes responden por el funcionamiento del proceso.

El manager decide qué práctica sigue siendo necesaria

El manager puede distinguir entre una tarea prescindible y una experiencia que prepara para asumir excepciones, decisiones o responsabilidades mayores. Su papel no consiste en conservar trabajo manual por prudencia, sino en decidir qué debe seguir sabiendo hacer el equipo y dónde podrá demostrarlo.

A veces bastará con redistribuir casos, pedir una primera propuesta antes de consultar la IA o exponer progresivamente a perfiles menos expertos a situaciones complejas. En otros casos, automatizar será la mejor decisión. Lo importante es que la práctica no desaparezca por accidente cuando todavía sostiene una capacidad crítica.

Una matriz tarea-capacidad para revisar cada automatización

Antes de automatizar una tarea relevante, conviene revisar cuatro cuestiones: qué capacidad utiliza, qué capacidad ayuda a desarrollar, qué cambia cuando la IA pasa a ejecutarla y qué decisión permite conservar el valor que todavía necesitamos.

Tarea	Capacidad que utiliza	Capacidad que desarrolla	Qué cambia con la IA	Decisión
Recopilar y ordenar información rutinaria	Organización de información	Poco aprendizaje diferencial	La IA elimina trabajo repetitivo sin afectar una capacidad crítica	Automatizar
Elaborar una primera hipótesis	Análisis y estructuración	Razonamiento propio	La persona recibe el problema ya interpretado y practica menos la construcción de alternativas	Transformar
Resolver casos progresivamente más ambiguos	Criterio y toma de decisiones	Autonomía ante excepciones	Los casos complejos se concentran en expertos y otros perfiles pierden exposición gradual	Preservar parte
Preparar una tarea cuyo valor formativo puede reproducirse en otro contexto	Capacidad específica del puesto	Práctica y consolidación	Desaparece el espacio original, pero existe otra experiencia equivalente	Trasladar el aprendizaje

El criterio puede resumirse así: si la capacidad sigue siendo crítica, la tarea aporta una práctica relevante y no existe otra experiencia equivalente, automatizar exige también rediseñar. Si alguna de esas condiciones no se cumple, la tarea puede transformarse, desaparecer o trasladar su función de aprendizaje a otro contexto.

La matriz debe aplicarse a tareas concretas, no a puestos completos. Una misma ocupación puede contener tareas que conviene automatizar y otras que necesitan transformarse o conservar parcialmente. La decisión clave sigue siendo hacer explícito dónde se practicará una capacidad después de automatizar la tarea que antes la sostenía.

Conclusiones

El reskilling sigue siendo necesario cuando la IA cambia las capacidades que exige un puesto. Pero deja de ser suficiente cuando la organización desarrolla capacidades que después apenas pueden ejercerse porque el propio diseño del trabajo ha reducido las situaciones donde entran en juego. Formar no corrige por sí solo esa incoherencia.

Eso no obliga a conservar tareas antiguas. Algunas deben desaparecer y otras pueden transformarse sin pérdida relevante. El criterio es comprobar si la capacidad seguirá siendo necesaria y, si es así, dónde podrá seguir practicándose y demostrarse después de automatizar.

La responsabilidad no puede quedar solo en L&D ni en quien implanta la tecnología. RRHH, managers y responsables del proceso deben conectar capacidades, tareas y consecuencias antes de cerrar una automatización. Si una capacidad sigue siendo crítica pero el nuevo trabajo ya no permite ejercerla, el siguiente paso no es otro curso: es revisar el diseño.