De la capacitación a la adopción
Lo que aprendimos al llevar IA y Microsoft Copilot a 105 colaboradores de una empresa de manufactura y distribución.
- +48puntos de capacidad (26 → 74)
- 71 %de proyectos acreditados (15 de 21)
- +58en Operación (de 11 a 69)
- 105colaboradores en 5 áreas
Licencias, un curso y esperar a que lo usen.
Muchas empresas resuelven la adopción de IA así: compran licencias, dan un curso y esperan que la gente “lo use”. Casi nunca pasa.
¿Qué pasa si la capacitación se diseña por área, se pide un proyecto con datos reales del puesto y se evalúa con evidencia, no con asistencia?
Este documento comparte lo que funcionó, lo que no y el modelo que proponemos para pasar de la capacitación a la adopción.
Cinco rutas, seis sesiones, tres capas de evaluación.
Una empresa mexicana de manufactura y distribución llevó a 105 colaboradores de cinco áreas por un programa de seis sesiones para aplicar IA generativa y Microsoft Copilot a su trabajo diario. El programa lo diseñó, facilitó y evaluó Dunia Castro, con el Diamante de las 4C como metodología y NIA Mentor™ como evaluador de proyectos.
| Sesión | Tema | Para qué |
|---|---|---|
| 1 | Introducción a la IA | Alcances, límites y usos reales en el trabajo |
| 2 | Diamante de las 4C | Pasar del prompt espontáneo a una instrucción con Claridad, Configuración, Curaduría y Criterio |
| 3 | Cliente, mensaje y contenido | Copilot aplicado a datos, documentos, presentaciones y comunicación |
| 4 | Agentes de IA | Entender agentes especializados: instrucciones, fuentes, funciones y límites |
| 5 | Creación de agentes | Construir y probar agentes con ajustes iterativos |
| 6 | Automatización | Power Automate, conectores y flujos para tareas repetitivas |
Evaluación en tres capas
La primera barrera fue tecnológica.
Antes de hablar de prompts, el diagnóstico mostró que la primera barrera era tecnológica. De los 24 diagnósticos detallados recibidos:
En la autoevaluación (escala 1–4), las capacidades más bajas fueron justo las que hacen la diferencia: estructurar un caso con método (1.5), explicar qué puede y qué no puede hacer la IA (1.6) y escribir un prompt con rol, contexto, tarea y formato (1.7).
Aprendizaje: si no se resuelven licencias y permisos antes de empezar, la capacitación choca con la pared justo en la parte más valiosa (agentes y automatización).
La curva que casi nadie reporta.
Asistencia y cumplimiento de entregables por área.
La participación fue alta al inicio y bajó cuando el contenido se volvió más práctico. La caída coincidió con cierres de mes, reprogramaciones y falta de licencias en algunos equipos, así que no se puede atribuir solo a falta de interés. La asistencia arrancó arriba de 80 % y cerró en 50 %; las entregas pasaron de 74 % a 6 %.
Cómo quedó la distribución por persona
34 % se comportó como comprometido (asiste y entrega), 16 % asiste pero no entrega, 8 % entrega sin asistir y 41 % quedó en riesgo.
Aprendizaje: asistir no es lo mismo que aplicar. En la última sesión, por cada 100 asistencias hubo apenas 12 entregas.
Antes y después.
El “antes” es el autodiagnóstico de entrada llevado a escala 0–100; el “después” es el dictamen del proyecto final.
| Área | Proyectos | Acreditados | Antes | Después | Avance |
|---|---|---|---|---|---|
| Comercial y Mercadotecnia | 0 | — | — | — | — |
| Administración y Finanzas | 5 | 4 (80 %) | 26 | 74 | +48 |
| RH, Sistemas, Auditoría y Calidad | 9 | 6 (67 %) | 35 | 76 | +41 |
| Flota, Logística y Compras | 1 | 1 (100 %) | 32 | 85 | +53 |
| Operación Industrial y Planeación | 6 | 4 (67 %) | 11 | 69 | +58 |
| Programa | 21 | 15 (71 %) | 26 | 74 | +48 |
Lo más interesante: Operación Industrial y Planeación llegó con el autodiagnóstico más bajo (11) y fue el área que más avanzó (+58). Tres participantes que se autoevaluaron en cero terminaron con proyectos acreditados de 73 a 85 puntos. El punto de partida no define el punto de llegada cuando hay método y un problema real que resolver.
Proyectos con datos reales.
Estos son algunos de los proyectos, descritos sin datos que identifiquen a la empresa ni a las personas:
| Caso | Área | Qué logró |
|---|---|---|
| Estándar de reporte financiero con IA | Finanzas | Ya opera en el cierre mensual; detectó 9 alarmas altas y 30 inconsistencias de cierre. |
| Simulador de costeo para Dirección | Planeación financiera | Validado 16 de 16 casos contra el Excel maestro; podría bajar una solicitud de ~2 horas a menos de un minuto. |
| Análisis de rotación | Recursos Humanos | Con datos reales encontró que 6 de cada 10 bajas ocurren antes del sexto mes: el problema está en el onboarding. |
| Ausentismo inteligente | Recursos Humanos | Revisó 1,890 registros reales y encontró 78 % sin clave de incidencia; flujo de alertas en Power Automate en pruebas. |
| Cálculo de finiquitos | Nómina | Libro automatizado con 4,144 fórmulas comparadas sin diferencias (sobre datos de prueba). |
| Inventario automatizado | Sistemas / Flota | Flujo diario con bitácora de errores; listo para medir horas liberadas. |
| Analítica de incidencias de planta | Operación | Análisis de 252 mil incidencias y tablero de OEE y paros. |
| Matriz regulatoria de operaciones | Calidad | 54 puntos para anticipar requisitos antes de cada operación. |
Lo que distingue a los mejores proyectos: llevan la IA a datos propios y verifican el resultado. No se quedan en “Copilot me lo hizo”; comprueban que el número cuadra.
Seis hallazgos.
- Pertinencia alta. Los proyectos nacieron de tareas reales del puesto: costeo, conciliaciones, provisiones, nómina, rotación, inventarios, OEE y trazabilidad. Cuando el reto es del puesto, la gente se engancha.
- La continuidad es el verdadero reto. El aprendizaje cae justo cuando sube la complejidad. Hay que diseñar el seguimiento desde el inicio, no al final.
- Madurez muy distinta entre personas. Convivieron participantes que nunca habían abierto Copilot con otros que construyeron agentes y flujos. Un solo ritmo no sirve para todos.
- La habilitación tecnológica manda. Licencias, permisos de agentes y Power Automate limitaron la práctica, sobre todo en las últimas sesiones.
- Gobierno de datos antes de escalar. Un proyecto incluía datos personales de empleados sin proteger. Cualquier uso de IA con información de personas necesita una regla de anonimización y resguardo.
- El impacto todavía hay que demostrarlo. Ninguno de los 21 proyectos midió aún ahorro de horas o dinero. Varios trabajan con datos de prueba. Sin línea base no hay retorno que defender.
De la capacitación a la adopción en 12 semanas.
Con lo aprendido, la recomendación es convertir los proyectos acreditados en pilotos medidos, con esta ruta:
Cada área elige un caso por impacto, factibilidad, sensibilidad de datos y patrocinio.
1 caso priorizado por área, con patrocinadorTI y dueños de proceso validan licencias, permisos, conectores, datos y criterios de aceptación.
Usuarios habilitados y criterios firmadosSe prueba un flujo o agente por área con pocos usuarios, casos de prueba y revisión humana.
Bitácora de pruebas e incidenciasSe compara contra la línea base: tiempo, exactitud, reprocesos y adopción.
Escalar, ajustar o detener cada pilotoRoles mínimos para el modelo
Lo que haríamos distinto desde el día uno.
Si vas a llevar IA a tu organización, esto es lo que haríamos distinto desde el día uno:
- Validar licencias, permisos de agentes y Power Automate antes de la primera sesión.
- Aplicar un diagnóstico de entrada que mida capacidades y accesos.
- Diseñar rutas por área, con ejemplos de su propio proceso.
- Pedir desde la sesión 1 un caso real del puesto que crezca hasta ser el proyecto final.
- Medir la línea base (horas, errores, tiempo de respuesta) antes de construir.
- Definir una regla de anonimización para cualquier dato de personas.
- Calendarizar fuera de cierres de mes y evitar reprogramaciones.
- Abrir una segunda ventana de entrega para quienes se quedan a medio camino.
- Evaluar por evidencia del proyecto, no por asistencia.
Nota metodológica. Asistencia: 105 registros × 6 sesiones (433 asistencias de 630 posibles). Entregables: 104 participantes × 6 actividades (240 entregas de 624 esperadas). En entregables, la sesión 1 corresponde al diagnóstico inicial. El “antes y después” incluye solo a los 21 participantes que entregaron proyecto final. Los porcentajes describen registros de participación; no certifican competencia individual. Por confidencialidad se omiten el nombre de la empresa y de los participantes.
¿Quieres este resultado en tu equipo?
El Hyper Team Lab lleva este modelo a tu empresa: diagnóstico, ruta a la medida por área, sesiones con NIA Mentor™ y reporte de impacto.
Descargar el white paper (PDF) · Gratuito, sin registro
