AI-first company

Personas y competencias · Adoptar

Dé primero la ayuda de la IA al personal más nuevo

Cuando implemente un asistente de IA para una tarea bien definida, empiece por las personas con menos experiencia. Los estudios muestran que son las que más ganan.

Autor
Última revisión
Correcciones
Avisar de un error
Cuándo Hacer después. Cuando sus primeros usos de la IA ya estén en marcha.
Esfuerzo Bajo (días, una persona)
Evidencia Emergente ControvertidaDepende del contexto

Dos estudios de tareas bien definidas encuentran que el personal con menos experiencia es el que más gana. Un estudio con 160.097 programadores encuentra lo contrario en el software, y un ensayo aleatorizado con propietarios de pequeñas empresas encontró que a los más débiles les fue peor con un asesor de IA. Nadie ha comparado una implementación que empieza por el personal nuevo con otra que no.

Para
Sectores Todos los sectores
En la guía Micro y pequeñas empresas

Qué es

Empiece por las personas que llevan menos tiempo en el puesto. La mayoría de las implementaciones empiezan por voluntarios o por el personal veterano. Para el trabajo rutinario y bien definido, la evidencia apunta en la dirección contraria.

Esto se cumple cuando la tarea tiene un criterio claro y alguien compara el resultado con él. En el trabajo abierto y sin revisión, los más débiles no ganaron nada o perdieron.

Qué muestra la evidencia

En un estudio con 5172 agentes de atención al cliente en su trabajo real, un asistente de IA aumentó de media un 15 % el número de consultas resueltas por hora. La mejora no fue igual para todos. Los agentes con menos experiencia y menos cualificados se volvieron más rápidos y mejores. Los agentes con más experiencia se volvieron algo más rápidos, y la calidad de su trabajo bajó un poco.

En un experimento con 453 profesionales, ChatGPT redujo un 40 % el tiempo de las tareas de redacción y aumentó la calidad un 18 %. La distancia entre quienes rendían más y quienes rendían menos se redujo.

La razón probable: la IA ha absorbido cómo se suele hacer un buen trabajo. Un principiante todavía no lo sabe. Un experto ya lo sabe.

La otra cara. Otros estudios apuntan en la dirección contraria, así que la evidencia es controvertida.

  • En el software, las personas con experiencia fueron las que más ganaron. Un estudio del código de 160.097 programadores en GitHub calculó que la IA aumentó su producción un 3,6 % de media. Los programadores con experiencia se quedaron con casi toda esa mejora.
  • A los propietarios de negocios más débiles les fue peor con un asesor de IA. En un ensayo aleatorizado con 640 propietarios de pequeñas empresas de Kenia, la mitad recibió un mentor de negocio basado en GPT-4 por WhatsApp. De media no cambió los ingresos ni los beneficios. A los propietarios a los que les iba mal al principio les fue casi un 10 % peor con él. Los que iban bien pueden haber ganado más de un 15 %. La diferencia vino de qué consejos decidieron seguir los propietarios.
  • Los alumnos ganaron con la herramienta y perdieron sin ella. En un ensayo aleatorizado con cerca de 1000 alumnos de secundaria de Turquía, GPT-4 sin límites subió las notas de práctica un 48 %. En el examen, hecho sin IA, esos mismos alumnos sacaron un 17 % menos que los que nunca tuvieron IA. Una versión limitada a dar pistas subió las notas de práctica sin esa pérdida.

Puede que los dos tipos de estudio sean ciertos. Los estudios a favor midieron la producción con la herramienta, en tareas con un criterio claro. Los demás midieron trabajo abierto, la producción durante un periodo más largo o la capacidad una vez retirada la herramienta.

Quién no aparece en estos estudios. El personal júnior puede ganar dentro del puesto mientras se contrata a menos personal júnior. Es discutido si la IA está reduciendo la contratación de personal júnior. Vea conserve las tareas de nivel inicial.

Cómo hacerlo

  1. Elija una tarea frecuente y con un criterio claro de lo que es un buen trabajo.
  2. Dé el asistente primero al personal que está en sus primeros meses en el puesto.
  3. Mantenga durante unas semanas un grupo de comparación sin él, para poder ver la diferencia.
  4. Pida al personal con experiencia que revise lo que sugiere el asistente. El personal con experiencia verá dónde se equivoca.
  5. Extiéndalo al personal con experiencia como opción, y vigile sus cifras de calidad.

Qué medir

  • La producción por hora y la calidad, separadas por tiempo en el puesto.
  • Cuánto tarda una persona recién contratada en llegar al nivel habitual del equipo, antes y después.
  • La calidad entre sus personas con más experiencia. Puede bajar.
  • El rendimiento sin la herramienta, en una muestra de casos, del personal nuevo al cabo de unos meses.

Dónde falla

  • Tareas que la IA hace mal. Un principiante no puede saber cuándo se equivoca la IA. En esas tareas, la ayuda de la IA puede empeorar los resultados. Vea compruebe por tipo de tarea.
  • Aprender el oficio. Si el asistente hace la parte del trabajo que enseña el oficio, el personal nuevo puede dejar de progresar. Un estudio con cirujanos en formación muestra cómo ocurre eso cuando una tecnología se queda con la práctica. Vea conserve las tareas de nivel inicial.
  • Mejoras que desaparecen sin la herramienta. En el ensayo escolar, los alumnos que practicaron con un chatbot sin límites lo hicieron peor una vez que se lo retiraron. Ponga a prueba de vez en cuando al personal nuevo sin la herramienta. Vea compruebe lo que el personal puede hacer sin la herramienta.
  • Expertos. No espere la misma mejora de sus mejores personas, y no les imponga la herramienta. En un ensayo aleatorizado con programadores con experiencia que trabajaban con su propio código, las tareas llevaron un 19 % más de tiempo con IA. En un experimento de campo en la atención al cliente de Alibaba, la calidad del trabajo de los mejores agentes bajó con la ayuda de la IA, según las valoraciones de los clientes y la frecuencia con que los clientes volvían con el mismo problema. Ese estudio es un documento de trabajo.

Según el tamaño de la empresa

  • Micro y pequeña: puede que tenga una o dos personas nuevas. Deles la herramienta, y que el propietario o un compañero veterano revise su trabajo las primeras semanas.
  • Mediana-grande y gran empresa: implemente por tiempo en el puesto, y mantenga un grupo de comparación para poder medir el resultado.

Casos de empresas

Empresas que lo hicieron

Fuentes

  1. Brynjolfsson, Li and Raymond (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. Qué hizo y qué encontró este estudio
  2. Noy and Zhang (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. Qué hizo y qué encontró este estudio
  3. Beane (2018). Shadow Learning: Building Robotic Surgical Skill When Approved Means Fail. Administrative Science Quarterly, 64(1), 87–123. Limita o contradice esta práctica. Qué hizo y qué encontró este estudio
  4. Daniotti, Wachs, Feng and Neffke (2026). Who is using AI to code? Global diffusion and impact of generative AI. Science, 391(6787), 831–835. Limita o contradice esta práctica. Qué hizo y qué encontró este estudio
  5. Otis, Clarke, Delecourt, Holtz and Koning (2026). The Uneven Impact of Generative AI on Entrepreneurial Performance: Evidence from a Field Experiment in Kenya. Management Science (published 10 July 2026). Limita o contradice esta práctica. Qué hizo y qué encontró este estudio
  6. Bastani, Bastani, Sungu, Ge, Kabakcı and Mariman (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. Limita o contradice esta práctica. Qué hizo y qué encontró este estudio
  7. Ni, Wang, Feng, Lu, Wang and Zhou (2026). Generative AI in Action: Field Experimental Evidence from Alibaba's Customer Service Operations. arXiv 2603.29888. Working paper, not peer-reviewed. arxiv.org