Tienes guardada una lista de cursos. Quizá también una «hoja de ruta» que alguien publicó el mes pasado, otra que apareció esta semana y un par de videos marcados para ver «cuando haya tiempo». Cada lista promete ordenar el camino y, al final, deja una pregunta más: ¿por cuál empiezo?

Esa pregunta está mal puesta. No porque las listas sean malas, sino porque empieza por la herramienta. Y quien tiene años de oficio no necesita primero una herramienta: necesita saber qué parte de su trabajo quiere dejar de hacer a mano.

Esta pieza propone invertir el orden. Primero decides la tarea; después, y solo después, decides qué aprender para hacerla bien. Vas a ver por qué la tarea es la unidad correcta, qué dice la evidencia disponible y qué no, y vas a terminar con un ejercicio de cuatro pasos que puedes hacer con lápiz y papel.

Dos maneras de empezar

Ilustración: vista cenital de un escritorio cálido con filas ordenadas de papeles idénticos color arena y un solo papel terracota apartado de las filas.
Muchas tareas parecidas; se elige una. · Ilustración generada con IA

Hay dos maneras de empezar a incorporar IA al trabajo.

La primera parte de la herramienta: eliges un curso, una plataforma o un asistente y buscas dónde aplicarlo. Es la más común, porque lo nuevo llama la atención y porque las herramientas se pueden comparar: tienen nombre, precio y fecha de lanzamiento.

La segunda parte de la tarea: miras tu semana, identificas qué te gustaría dejar de hacer a mano y recién entonces preguntas qué necesitas saber para que eso se haga bien.

La diferencia no es de gusto. La primera te deja con un conocimiento que todavía no sabes dónde usar; la segunda te deja con un problema concreto que ya sabes cómo reconocer cuando está resuelto. Y como el criterio para decidir si algo sirve está en tu oficio, no en la herramienta, esa es la que conviene.

Lo que sigue busca apoyar esa afirmación con lo que hay de evidencia y a la vez cuidar de no pedirle más de lo que dice.

Dos recorridos en paralelo. Empezar por la herramienta: elijo un curso, busco dónde aplicarlo, queda un conocimiento sin destino. Empezar por la tarea: miro mi semana, elijo qué dejar de hacer a mano, aprendo lo que esa tarea necesita.
Mismo punto de partida, dos órdenes distintos.

El trabajo es un conjunto de tareas

Un puesto de trabajo no es una pieza única: es un conjunto de tareas de naturaleza muy distinta. Algunas son mecánicas y se repiten; otras exigen criterio, contexto o una decisión que no corresponde transferir.

La Organización Internacional del Trabajo (OIT) analiza el efecto de la IA generativa justamente así: tarea por tarea. En su índice de 2025, uno de cada cuatro trabajadores del mundo está en una ocupación con alguna exposición, y solo el 3,3 % del empleo mundial cae en la categoría de mayor exposición. Su conclusión es que, como la mayoría de las ocupaciones consisten en tareas que requieren intervención humana, lo más probable es que los puestos se transformen [C1].

Dos precisiones para no pedirle a ese dato más de lo que dice. Es una medida de exposición de tareas, construida con encuestas y con ayuda de una herramienta de IA; no predice qué le pasará a un puesto concreto, ni al tuyo. Y no dice qué tarea te conviene delegar.

Lo que sí deja claro es el principio que organiza esta pieza: la unidad útil es la tarea, no el puesto y no la herramienta. Una lista de cursos conoce el mercado de cursos; no conoce tu semana. No sabe que los lunes consolidas tres planillas, que los jueves redactas el mismo correo con pequeñas variaciones o que hay una conciliación mensual que nunca fallaste y que no debes soltar. Esa información solo la tienes tú.

Si piensas por tareas, la pregunta «¿qué curso hago?» se vuelve «¿de qué tarea me quiero ocupar menos, y qué necesito saber para que se haga bien?». Es una pregunta más pequeña y mucho más fácil de contestar.

No toda tarea rinde igual con IA

Hay un segundo motivo para empezar por la tarea: la IA no rinde igual en todas.

Un equipo de la Escuela de Negocios de Harvard, en colaboración con la consultora Boston Consulting Group, hizo en 2023 un experimento con 758 consultores, alrededor del 7 % de los consultores individuales de esa firma. Les dieron tareas realistas de consultoría, con y sin acceso a un asistente de IA. En las tareas que quedaban dentro de lo que el asistente podía hacer bien, quienes lo usaron trabajaron más rápido (más del 25 %), con mejor calidad según evaluadores humanos (más del 40 %) y terminaron más tareas (más del 12 %). Los autores llamaron a esto una «frontera irregular», porque tareas de dificultad parecida pueden quedar de un lado o del otro, y desde afuera no siempre se distingue cuál es cuál. En una tarea que quedaba fuera de esa frontera, el resultado fue el contrario: con el asistente, el desempeño fue peor que sin él [C2].

Algunos cuidados para leer este estudio. Fue un solo experimento, realizado en colaboración con esa firma, con un modelo de 2023 y con una única tarea fuera de la frontera. No es una promesa sobre tu trabajo ni sobre los modelos de hoy. Lo que muestra es un patrón sencillo y útil: antes de usar la IA para algo, conviene saber de qué tipo de tarea se trata, porque la misma herramienta que ayuda en una puede estorbar en otra, y no siempre se nota a simple vista.

Eso solo se aprende probando con tareas reales y revisando el resultado. Ningún curso general puede hacerlo por ti.

El uso suele ir por delante del plan

Hay otra razón para ordenar las cosas, y es mirar cómo se está usando la IA en la práctica.

En mayo de 2024, Microsoft y LinkedIn publicaron una encuesta a 31.000 personas de 31 países. El 75 % de los trabajadores del conocimiento ya usaba IA en el trabajo. El 78 % de quienes la usaban traía sus propias herramientas. Y mientras el 79 % de los líderes coincidía en que adoptar IA es crítico para seguir siendo competitivos, el 60 % decía que su empresa carece de una visión y de un plan para implementarla, y el 59 % temía no poder cuantificar la mejora de productividad [C3].

Una nota de cautela. Es una encuesta de una empresa que vende herramientas de IA, autorreportada y de mayo de 2024. No prueba que planificar produzca mejores resultados. Lo que sí describe es una situación reconocible: mucha gente ya usa IA sin que haya un plan detrás, cada quien con sus herramientas y sus criterios.

A quien aprende por su cuenta le puede pasar algo parecido: se incorporan herramientas porque aparecen, no porque resuelvan algo concreto. Y como lo nuevo no se detiene, ese plan nunca se termina.

Lo que no podemos decir sobre tener muchas opciones

Antes de proponer el ejercicio, conviene cuidar una afirmación que suele repetirse: que tener demasiadas opciones paraliza. Suena razonable, pero la evidencia es menos clara de lo que parece. Un metaanálisis de 2010, que reunió 63 condiciones de 50 experimentos con 5.036 participantes, encontró un efecto medio «prácticamente nulo», con mucha variación entre estudios y sin que se pudiera identificar ninguna condición que lo explique del todo [C4].

Ese trabajo trata de decisiones de consumo, no de aprendizaje. Lo que tomamos de él es un límite para esta pieza: no afirmamos que las listas de cursos te paralicen. Afirmamos algo más modesto y verificable: una lista, por buena que sea, no sabe qué tarea de tu oficio quieres resolver, y por eso no puede decidir por ti.

El ejercicio: cuatro pasos para decidir qué aprender

Lo que sigue es una propuesta de clarita stack. No es un método probado: es un orden razonable que sale de unir lo anterior, y se valida con una prueba pequeña, no con una creencia [C5].

Cuatro pasos en fila: 1 anota las tareas que se repiten (cinco a diez); 2 elige una de bajo riesgo y fácil de verificar; 3 delégala en una prueba acotada sobre una copia; 4 recién entonces decide qué aprender. Al final, tres salidas: mantener, ajustar o retirar.
Cuatro pasos y tres salidas; propuesta editorial [C5].

Paso 1. Anota las tareas que se repiten. Durante una semana, escribe en una hoja cada tarea de tu trabajo que se repite o que sientes mecánica. No importa si parece pequeña. Una línea por tarea y un verbo: «comparo», «consolido», «redacto», «ordeno», «controlo». Apunta entre cinco y diez, no más.

Paso 2. Elige una tarea de bajo riesgo y fácil de verificar. Para cada tarea, hazte cuatro preguntas:

  • ¿Qué entrego al final? (Si no puedes decirlo en una frase, todavía no está lista.)
  • ¿Puedo revisar el resultado en pocos minutos?
  • Si sale mal, ¿el daño es chico y reversible?
  • ¿Toca información de terceros o una decisión que no me corresponde transferir?

Quédate con una tarea cuya respuesta sea sí, sí, sí y no. La más vistosa casi nunca es la mejor para empezar; la mejor es la que puedes revisar rápido.

Paso 3. Delégala en una prueba acotada. Usa el asistente de IA que ya tengas a mano, sobre una copia o un borrador, nunca sobre el original. Escribe el pedido como se lo explicarías a una persona nueva en tu equipo: qué material usa, qué debe entregar, qué no puede hacer. Revisa el resultado como revisarías el trabajo de un colega: línea por línea. Anota tres cosas: qué salió bien, qué corregiste y cuánto trabajo te llevó corregirlo.

Paso 4. Recién entonces, decide qué aprender. Con esa prueba delante, la elección de qué estudiar deja de ser abstracta. Mira tus notas del paso 3 y pregúntate:

  • ¿Qué me faltó saber para pedirlo mejor?
  • ¿Qué no pude verificar?
  • ¿Qué parte de la corrección fue repetida y podría escribirse una sola vez como instrucción?

Esas tres respuestas son tu lista de aprendizaje. Para cada una, busca un solo recurso (un curso, un artículo, una guía oficial) y mira antes de empezar la fecha en que fue publicado o actualizado. Si es de hace más de un año, comprueba que lo que enseña todavía existe. Y prueba lo que aprendiste con la misma tarea antes de pasar a otra.

Un ejemplo, inventado

Para ver cómo se ve en una hoja, un caso inventado (no es una persona real ni un resultado medido):

Marta coordina la administración de una pequeña empresa de servicios. En su semana encuentra seis tareas repetidas: consolidar tres planillas de gastos, redactar el correo de recordatorio de vencimientos, ordenar facturas recibidas en carpetas, preparar la minuta de la reunión del lunes, controlar la conciliación del mes y responder consultas de proveedores.

Aplica las cuatro preguntas. La conciliación toca dinero y exige criterio: no. Las consultas de proveedores involucran a terceros: no por ahora. La minuta es fácil de revisar, pero depende de lo que se dijo y Marta no registra las reuniones: queda para después. El recordatorio de vencimientos cumple las cuatro condiciones: una frase de entrega, se revisa en un minuto, un error se corrige antes de enviar y no cambia ninguna decisión.

Marta elige el recordatorio. Lo prueba sobre un borrador con tres vencimientos de ejemplo. Anota que el tono le sirvió, que corrigió dos fechas mal interpretadas y que el pedido le funcionó mejor cuando incluyó el formato exacto de la fecha. Esa última observación es su primer aprendizaje: cómo especificar con precisión lo que pide. Con eso elige un solo recurso: una guía sobre cómo escribir pedidos claros a un asistente. No se inscribe en ningún programa completo.

Fíjate en lo que no pasó: Marta no «aprendió IA». Mejoró una tarea concreta y salió con una pregunta más precisa que la que tenía al principio.

Lo que este ejercicio no resuelve

Conviene decirlo con claridad.

No sabemos si este orden funciona mejor que otro. Es una propuesta razonable, construida con las fuentes de arriba, y lo único que la sostiene es que puedes probarla a pequeña escala y mirar qué pasa.

No elimina el riesgo. Una tarea de bajo riesgo no es una tarea sin riesgo: la revisión sigue siendo tuya.

No sirve para todo. Hay trabajos donde el objetivo de aprender no es delegar una tarea, sino comprender un campo (por ejemplo, para dirigir un equipo que usa IA o para construir un producto). Ahí una ruta de estudio más amplia puede tener sentido, porque el objetivo es otro. Lo que decimos es que, para quien quiere mejorar su propio trabajo, empezar por la tarea evita dar vueltas.

Y no promete resultados. No decimos cuánto tiempo vas a ganar ni cuánto vas a aprender. Decimos que, después de una semana de anotar y una prueba pequeña, vas a tener una pregunta mejor que «¿por dónde empiezo?».

Mantener, ajustar o retirar

Después de tu primera prueba, no necesitas una gran decisión. Elige una de tres:

  • Mantener la delegación si el resultado fue útil, lo revisaste sin dificultad y el trabajo de corrección fue menor que hacerlo a mano. Repite la prueba una segunda vez con otro material antes de confiar.
  • Ajustar si hubo algo que mejorar: la instrucción, el material de entrada o lo que te falta saber. Cambia una sola cosa por vez y vuelve a probar.
  • Retirar si la tarea resultó más delicada de lo que parecía o si revisar costó más que hacerla. Retirar es una buena decisión: te dice qué tareas se quedan en tus manos.

Si después de la prueba quieres aprender más, ya sabes por dónde: por la parte de la tarea que no pudiste pedir, verificar o repetir. Y si la próxima semana aparece otra lista de cursos, tendrás un criterio para leerla: ¿esto me ayuda con una tarea que ya elegí, o me ofrece otro camino sin una tarea?

La hoja de ruta que más te sirve no se llama «IA». Se llama «mi trabajo», y la escribes tú.

Fuentes