La IA puede acelerar el onboarding y ocultar cómo funciona el trabajo

La inteligencia artificial puede reducir buena parte de la fricción inicial de un puesto: localizar antecedentes, resumir documentación, preparar una primera versión o sugerir cómo resolver una tarea. Eso permite que una nueva incorporación produzca antes, pero también hace que el trabajo deje menos rastros para quien está aprendiendo. Pasos que antes obligaban a preguntar, comparar o equivocarse pueden quedar comprimidos entre una petición y un resultado aparentemente terminado.

La velocidad complica así la lectura del progreso. La OIT señala en su informe de 2026 sobre aprendizaje permanente y competencias que una parte relevante del aprendizaje ocurre informalmente mediante el trabajo cotidiano, el apoyo entre compañeros y la experiencia práctica. Si la IA elimina algunos de esos recorridos, la cuestión es concreta: ¿qué estaba aprendiendo la persona mientras los realizaba? La respuesta permite distinguir entre fricción prescindible y experiencia formativa que conviene conservar de otra manera.

Producir un resultado no demuestra que se comprenda el proceso

Pensemos en alguien que debe preparar un análisis recurrente. La IA puede recuperar casos anteriores, ordenar información y generar una propuesta válida para una revisión rutinaria. Aun así, esa persona puede no saber por qué unas fuentes pesan más que otras, qué dato suele inducir a error o cuándo debería detenerse y consultar con otro equipo.

Ahí aparece una autonomía difícil de distinguir de la asistencia. Más que comprobar si la tarea está terminada, conviene pedir que explique qué criterio utilizó, qué parte revisó con mayor atención o qué tendría que cambiar para rechazar la recomendación de la IA. Esta tensión conecta con qué ocurre cuando la IA hace el trabajo junior y desaparecen espacios donde se construía criterio, aunque aquí el problema es específico del onboarding: incorporar a alguien a un trabajo que ya encuentra parcialmente oculto.

Qué conocimiento desaparece cuando la IA resuelve los pasos intermedios

Lo que puede perderse no siempre está documentado. Parte es conocimiento tácito que antes se adquiría observando decisiones, correcciones y excepciones. Para detectarlo, conviene revisar qué desaparece junto con cada tarea:

• Los criterios utilizados para elegir una fuente, alternativa o dato frente a otros.
• Las opciones descartadas y, especialmente, el motivo por el que dejaron de ser válidas.
• Los momentos en que una decisión rutinaria necesita contexto adicional o intervención experta.
• Los errores que enseñan qué señales deberían activar una duda antes de aceptar el resultado.

Si al automatizar un paso desaparece también una experiencia necesaria para decidir, detectar excepciones o comprender dependencias, esa experiencia necesita una sustitución deliberada. No hace falta recuperar el proceso manual completo; sí asegurar que lo importante siga siendo visible para quien todavía está aprendiendo a reconocerlo.

Cómo detectar una autonomía que todavía depende de la IA

La dependencia de la IA puede parecer autonomía: respuestas rápidas, entregas consistentes y menos consultas al manager. Por eso resulta difícil de detectar durante el onboarding. El problema aparece cuando la herramienta resuelve también parte de la interpretación que permitiría saber cuánto comprende realmente la persona.

La mejor señal no suele aparecer en los casos rutinarios, sino cuando cambia una condición, falta información o la respuesta de la IA deja de encajar con el contexto. Ahí se vuelve visible si la persona sabe interpretar, contrastar y decidir sin limitarse a continuar el flujo previsto.

Qué ocurre cuando el resultado parece correcto pero falta criterio

Una persona puede entregar un trabajo técnicamente válido y seguir sin comprender qué lo hace adecuado. Si la IA propone una respuesta basada en casos anteriores y el resultado coincide con el formato esperado, es fácil confundir consistencia con dominio del puesto.

La comprobación debería centrarse en hacer visible el criterio: qué supuesto está aceptando, qué dato cambiaría su decisión, qué alternativa descartaría o qué consecuencia tendría equivocarse. Si necesita volver a consultar a la IA para responder a esas preguntas, la autonomía todavía depende demasiado de la asistencia.

Las excepciones y los errores revelan mejor lo que una persona entiende

Los casos normales permiten seguir patrones. Las excepciones obligan a interpretar. Una fuente que contradice otra, una petición incompleta o una recomendación plausible con una consecuencia inesperada muestran mejor qué conocimiento está asentado.

Managers y expertos pueden utilizar estas situaciones como puntos de comprobación, no como exámenes. Conviene observar si:

• La persona identifica qué información falta antes de continuar.
• Cuestiona una salida plausible cuando no encaja con el contexto.
• Sabe cuándo puede decidir y cuándo debe escalar la situación.
• Puede explicar qué consecuencias tendría equivocarse.
• Diferencia entre una recomendación de la IA y una decisión propia.

La finalidad no es añadir controles, sino evitar que una apariencia de autonomía adelante demasiado la retirada de acompañamiento.

Cuándo la IA libera aprendizaje en lugar de reducirlo

Automatizar también puede mejorar el onboarding. Si la IA elimina búsquedas repetitivas, tareas administrativas o transformaciones mecánicas, puede dejar más tiempo para revisar casos complejos, comparar alternativas o recibir feedback experto.

La diferencia está en qué desaparece y qué ocupa ese espacio. Si se elimina esfuerzo sin borrar contexto, el aprendizaje puede ganar profundidad. Si desaparecen también las experiencias donde se reconocían excepciones o se justificaban decisiones, el tiempo ahorrado debería reinvertirse en una práctica equivalente.

Qué debe volver a hacerse visible durante el onboarding

Cuando la IA comprime parte del trabajo, no tiene sentido reconstruir todos los pasos que antes existían. El puesto ya ha cambiado. La decisión útil es identificar qué experiencias siguen siendo necesarias para aprender a decidir, aunque la ejecución cotidiana pueda apoyarse en una herramienta.

Una tarea puede ser prescindible como trabajo manual y seguir teniendo valor formativo. Si al eliminarla desaparecen también el contraste entre alternativas, la exposición a errores o la comprensión de una dependencia crítica, el onboarding necesita conservar ese aprendizaje de otra manera.

Decidir qué observar, qué practicar y qué ejecutar ya con IA

El diagnóstico consiste en revisar las tareas relevantes del puesto y decidir qué tipo de exposición necesita una nueva incorporación:

• Observar cómo un profesional experto resuelve situaciones donde importan contexto, prioridades o información que no aparece en un procedimiento.
• Practicar inicialmente sin asistencia aquellas tareas donde recorrer el proceso ayuda a construir criterio, aunque después se ejecuten habitualmente con IA.
• Utilizar IA desde el principio cuando automatizar elimina esfuerzo mecánico sin ocultar decisiones relevantes para el aprendizaje.
• Comparar resultados humanos y asistidos cuando haga falta distinguir una respuesta plausible de una respuesta adecuada.
• Mantener supervisión en situaciones donde un error pueda producir consecuencias difíciles de detectar o corregir.

Estas categorías no deberían convertirse en reglas permanentes. Una tarea que necesita práctica o acompañamiento durante las primeras semanas puede automatizarse después, cuando la persona demuestre que entiende qué está delegando y sabe intervenir si el resultado deja de ser fiable.

Repartir responsabilidades entre RRHH, L&D, managers y expertos

RRHH o People pueden establecer que el onboarding evalúe aprendizaje además de velocidad, mientras L&D convierte esa intención en experiencias y criterios de progreso. Pero el conocimiento crítico de cada puesto suele estar más cerca de quienes lo ejecutan.

El manager debe definir qué autonomía espera y cuándo puede retirar supervisión. Los profesionales expertos, por su parte, deben señalar excepciones, razonamientos y señales que la IA puede haber vuelto menos visibles. Ese conocimiento no siempre está documentado y difícilmente puede reconstruirse solo desde un procedimiento formal.

La responsabilidad tampoco debería trasladarse a la nueva incorporación con un simple “pregunta si tienes dudas”. Si todavía no sabe qué debería despertar una duda, esa instrucción sirve de poco. Un onboarding sólido diseña deliberadamente las situaciones que permiten aprender qué merece atención antes de asumir que la persona puede desenvolverse con autonomía.

Conclusiones

Un onboarding con IA no debería medirse solo por cuánto tarda una persona en empezar a producir. Si parte del trabajo ya llega automatizado, la organización necesita comprobar también qué comprende, qué sabe cuestionar y qué decisiones puede sostener sin depender de una respuesta generada. La autonomía no es velocidad, sino capacidad para interpretar, decidir y reaccionar cuando el caso deja de ser rutinario.

Eso obliga a seleccionar con cuidado qué experiencias merece la pena conservar. Algunas tareas pueden desaparecer sin pérdida; otras deben seguir observándose, practicándose o discutiéndose porque contienen contexto, excepciones y conocimiento que difícilmente aparece en un procedimiento. El objetivo no es proteger formas antiguas de trabajar, sino evitar que la eficiencia elimine también los espacios donde se construye criterio.

La responsabilidad, además, es compartida. RRHH y L&D pueden diseñar el marco, pero managers y expertos deben identificar qué no puede volverse invisible antes de considerar que una nueva incorporación está preparada para trabajar con verdadera autonomía.