Terminó el programa de capacitación en IA para empresas y People recibe el mensaje de siempre: “¿funcionó?”. No preguntan cuántos se anotaron. Preguntan si hay evidencia de que el equipo trabaja distinto. Esa diferencia cambia todo: la respuesta ya no se arma con un certificado ni con una encuesta de satisfacción.

En este artículo te mostramos cómo armar la evaluación de la capacitación cuando el tema es IA: qué evidencia suele pedir People, qué señales mirar en las primeras semanas y cómo presentarlas sin inventar métricas. Si buscás un checklist genérico de indicadores de proceso, ya lo cubrimos en otra guía; acá el foco es la evidencia de adopción y de aplicación en el puesto.

Qué quiere decir “funcionó” cuando capacitás en IA

En capacitación tradicional, “funcionó” a veces se confunde con “se completó”. En IA eso no alcanza. Una persona puede terminar el curso, tener un buen promedio y seguir resolviendo las mismas tareas de la misma forma. O puede usar la herramienta todos los días… pero para cosas que no cambian el resultado del área.

Para People, un programa de IA funcionó cuando aparecen tres cosas juntas:

• Adopción real: el equipo usa las herramientas o métodos que se entrenaron, no solo durante el curso.

• Aplicación en el puesto: cambia al menos una tarea concreta del trabajo diario.

• Señal de continuidad: hay pedidos de más uso, más roles o un siguiente nivel, no solo un cierre administrativo.

Ninguna de esas tres se ve sola en la plataforma de aprendizaje. Hay que ir a buscarlas al área.

La evidencia que People suele necesitar (y por qué)

People no pide evidencia por burocracia. La pide porque después tiene que responderle a liderazgo, a finanzas o al sponsor del programa. Si la respuesta es “hubo buena asistencia”, la conversación se corta. Si la respuesta es “el equipo comercial ya arma propuestas con un proceso común y con revisión humana”, la conversación avanza.

En la práctica, la evidencia que más ayuda a People se ordena en cuatro capas:

1. Evidencia de proceso: asistencia, entregas, finalización. Necesaria para gestionar, insuficiente para cerrar.

2. Evidencia de aprendizaje: ejercicios, proyectos, criterios de calidad de las entregas.

3. Evidencia de adopción: uso de herramientas, plantillas compartidas, prompts o flujos que quedaron en el equipo.

4. Evidencia de aplicación: tareas del puesto que cambian, con validación del líder.

El error más común es quedarse en la capa 1 y presentar ese reporte como resultado. El acierto es acordar, antes de arrancar, qué vas a mirar en las capas 3 y 4.

Cómo armar evidencia de adopción sin inventar números

La adopción de IA se puede observar sin fabricar porcentajes de productividad. Algunas fuentes honestas:

• Datos de uso de la herramienta. Si la empresa ya paga Copilot, Gemini u otra licencia, mirá lo que la propia plataforma reporta: usuarios activos, frecuencia, funciones usadas. No extrapoles impacto económico desde ahí.

• Artefactos compartidos. Plantillas, prompts revisados, checklists, guías internas. Si el equipo las usa y las mejora, hay adopción.

• Cambios de proceso. Una reunión que ahora arranca con un borrador generado y revisado. Un reporte que deja de armarse a mano. Un ticket que se clasifica con un flujo asistido.

• Observación del líder. Una conversación corta a las dos o tres semanas: “¿qué hace distinto tu equipo?”. Esa respuesta cualitativa vale más que un gráfico vacío.

Si no tenés acceso a datos de uso, no inventes un proxy. Decí qué no se pudo medir y qué sí se observó. La dirección suele tolerar mejor un límite claro que un número sin método.

Señales de que la capacitación en IA sí está funcionando

Estas señales no reemplazan un marco de medición completo, pero son evidencias concretas que People puede registrar:

• Los proyectos finales se usan después del cierre, no quedan en una carpeta.

• Aparecen preguntas nuevas en el equipo: no “cómo se usa la tool”, sino “cómo resolvemos este caso con revisión humana”.

• Otras áreas piden el mismo programa o una versión adaptada a su rol.

• Los líderes empiezan a pedir criterios de calidad: qué se puede automatizar, qué no, qué hay que revisar siempre.

• Baja la fricción inicial: menos “no sé por dónde empezar” y más “este es el flujo que acordamos”.

También hay señales en negativo que conviene documentar: uso intenso solo en la primera semana, dependencia de una o dos personas “expertas”, o uso sin criterio de privacidad. Eso también es evidencia: te dice qué hay que corregir en el siguiente bloque.

Qué no alcanza como prueba (aunque sea tentador)

• El certificado. Confirma finalización, no cambio de trabajo.

• La encuesta de satisfacción al día siguiente. Mide percepción inmediata, no adopción.

• Un porcentaje de “productividad” sin baseline. Si no mediste el punto de partida con el mismo método, el número no sostiene una conversación seria.

• Casos anécdota sin contexto. Un ejemplo brillante ayuda, pero necesita rol, tarea y qué cambió. Si no, parece marketing interno.

Para ordenar indicadores de proceso sin confundirlos con impacto, podés apoyarte en nuestra guía de KPIs de capacitación corporativa más allá de asistencia, entregas y certificado.

Un esquema práctico de evidencia para People

Si tenés que armar un one-pager para el sponsor, usá esta estructura:

La clave está en definir las tareas objetivo antes de arrancar. Sin eso, cualquier resultado se puede leer como éxito o como fracaso.

Cómo diferenciar evidencia de impacto inventado

People a veces siente presión por “mostrar ROI” demasiado pronto. En IA, sobre todo, conviene separar:

• Evidencia de adopción y aplicación: observable, acotada, defendible.

• Estimación de impacto de negocio: solo si hubo baseline, método y acuerdo previo con el sponsor.

Si todavía no hay base para un análisis económico, no lo fuerces. Mostrá evidencia de cambio en el trabajo y pedí tiempo para medir lo que sí se puede medir. Si más adelante necesitás armar el caso para dirección, te puede servir cómo medir el impacto de la capacitación corporativa sin inventar métricas.

Errores frecuentes al evaluar capacitación en IA

• Evaluar solo al cierre. La adopción se ve después. Si cortás el seguimiento en el último día de clase, te quedás sin la parte más importante.

• Usar el mismo criterio para todos los roles. Un manager, un analista y un developer no dejan la misma evidencia. Acordá señales por rol.

• Ignorar el contexto de herramientas. Si la licencia llegó tarde o el acceso estuvo restringido, la baja adopción puede ser un problema de infraestructura, no de aprendizaje.

• No involucrar al líder. Quien mejor valida la aplicación es quien ve el trabajo todos los días.

• Confundir experimentación con adopción. Probar una vez no es incorporar un proceso.

Preguntas frecuentes

¿Cuánto tiempo después conviene mirar si funcionó?

Depende del programa, pero para uso de herramientas y tareas cortas suele alcanzar con una revisión a las dos o tres semanas y otra un poco después. Si el cambio es de proceso más profundo, el follow-up puede necesitar más tiempo. Lo importante es que la fecha quede acordada desde el inicio.

¿Qué hago si People no tiene acceso a métricas de las tools?

Trabajá con evidencia cualitativa estructurada: entrevistas cortas a líderes, revisión de artefactos y checklist de tareas objetivo. Es menos “dashboard”, pero es más honesto que un número sin fuente.

¿Una buena NPS del curso alcanza para el directorio?

Sirve como señal de experiencia, no como evidencia de resultado. Presentala como capa de percepción y acompañala con adopción y aplicación.

Cerrá el programa con evidencia, no solo con certificados

Saber si la capacitación en IA funcionó es, en el fondo, una pregunta de People y de liderazgo: ¿el equipo trabaja distinto? Si querés diseñar el programa con criterios de evidencia desde el día 1, agendá una asesoría gratuita con el equipo de Coderhouse Empresas y lo armamos con vos.