AI Is A Tool, Not A Magic Wand
AI is a tool, not a magic wand. It’s not a silver bullet that will solve all your problems. It’s a tool that can enhance your work, make processes more efficient, and provide valuable insights. But it still requires human input, human oversight, and human decision-making.
When implementing AI in L&D, it’s important to remember that it should complement human efforts, not replace them. It should be used to support and enhance learning experiences, not to dictate them. AI can help personalize learning, automate administrative tasks, and provide data-driven insights, but it’s up to humans to interpret that data, make decisions, and take action.
So, as we move forward in the world of L&D and AI, let’s remember that we are the ones in control. Let’s use AI as a powerful tool in our toolkit, but let’s not forget the power of human connection, empathy, and creativity in the learning process.
In Conclusion
As we navigate the ever-changing landscape of L&D and technology, let’s remember that at the heart of it all are humans. Let’s focus on understanding the problems worth solving, prioritizing our efforts, and supporting each other through the challenges of change. Let’s use AI as a tool to enhance our work, but let’s not lose sight of the human element in learning and development.
By staying connected, learning from each other, and approaching challenges with kindness and empathy, we can create a future where technology and humanity work together to create meaningful and impactful learning experiences.
Upskilling En AI: ¿Por Dónde Empezar?
Uno de los desafíos más comunes mencionados en la conferencia fue la capacitación de la fuerza laboral a gran escala. A menudo encontré la palabra “upskilling” y la frase “cerrar la brecha de habilidades” engañosas. ¿Qué necesitas para capacitar a alguien a un nivel? Tres cosas: el nivel en el que se encuentran, el nivel al que quieres que lleguen, y el camino más corto para conectar los dos.
Pero de alguna manera, a menudo nos enfocamos solo en el estado deseado. Sin saber dónde se encuentran las personas, solo construimos el destino y una sola carretera desde la nada. Luego, obligamos a todos a retroceder al final de la carretera para comenzar el viaje sin importar dónde se encuentren.
La política de “si no lo veo, no existe” no es buena para depender de ella. Los empleados utilizan su acceso personal a la inteligencia artificial para ayudarlos a resolver problemas y luego los traen de vuelta al lugar de trabajo. Puede que no sea alto secreto (con suerte), pero hay muchas suposiciones allí. ¿Cuál es la respuesta de la empresa? IT bloquea el copiar y pegar desde el exterior. Bueno, hay un correo electrónico para eso.
Construye una política que también brinde conciencia crítica de los riesgos. Luego, puedes pensar en la capacitación, incluyendo cómo evaluar las habilidades actuales para habilitar el camino más corto.
4. ¿Vale la pena aprender Ingeniería de Prompt?
Hace un año, la ingeniería de prompt era una de las habilidades más demandadas. Avanzando hasta hoy, tenemos miles de acrónimos y marcos sobre cómo escribir prompts. Incluso puedes pedirle a tu LLM favorito que genere un prompt. Debido a que la inteligencia artificial generativa utiliza el Procesamiento del Lenguaje Natural, la generación de prompts no es realmente ingeniería en el sentido tradicional. No se requiere código.
Mi opinión es que deberías aprender los porqués, no los acrónimos o plantillas. Una vez que entiendas por qué necesitas proporcionar un contexto específico, es más fácil ajustarse. Una cosa es segura: estos modelos siguen evolucionando. Lo que aprendiste sobre ellos hace un año puede que ni siquiera sea necesario hoy en día. Concéntrate en explicar el problema, en lugar de la estructura y el formato que alguien sugirió basándose en el éxito del año pasado.
Siempre doy permiso al modelo para que tome tiempo, piense, y revise la mejor y más reciente respuesta. Antes, a menudo sugería la primera cosa más popular, por ejemplo, en codificación, y luego resultaba que recientemente había sido desaprobada. Además, recuerda que puedes pedirle al modelo que revise la respuesta. Una y otra vez. Los humanos no tolerarían eso, pero la IA está feliz de iterar.
5. Casos Prácticos De AI (Para Aprendizaje y Desarrollo)
El caso de uso más común que he visto es la generación de contenido. La creación de contenido instantáneo de texto y gráficos basada en prompts resuelve un problema de eficiencia. Ser más eficiente significa que podemos crear más contenido con menos esfuerzo. El desafío radica en el otro lado de la moneda de la medición: la efectividad. Crear más contenido más rápido no significa que estemos teniendo más impacto en el trabajo. De hecho, esta eficiencia a menudo lleva a un tiempo libre que se consume en más creación de contenido. Creo que deberíamos usar la IA de manera opuesta: reduciendo contenido.
En nuestra sesión, compartimos la implementación práctica de la IA: aprendizaje personalizado, coaching, contenido adaptativo, evaluación auténtica de habilidades, construcción de aplicaciones sin código en minutos para iterar rápidamente, e incluso interacciones gamificadas con personajes 3D impulsados por IA para entrevistas (adiós, respuestas de opción múltiple).
Fuera del aprendizaje, echa un vistazo a algunos de los casos de uso de la IA en los negocios [2]. En el próximo artículo, continuaré con los próximos cinco temas de la conferencia:
Accesibilidad: ¿a quién le importa los demás?
Esperando a GodoTech?
La tecnología de colaboración no colabora, los humanos sí
Pensamientos diversos, mejor resultado
En una nota personal: Vivir al lado de Alice. ¿Alice? ¿Quién [beep] es Alice?
Referencias:
[1] LA ENCUESTA GLOBAL DE SENTIMIENTO 2025
[2] Casos de Uso y Aplicaciones de Inteligencia Artificial (IA)