IA en aprendizaje y desarrollo: rutas de aprendizaje personalizadas y contenido

Por Kevin Kim · Actualizado el 11 de octubre de 2026

La IA en aprendizaje y desarrollo (L&D) es el uso de aprendizaje automático y modelos de lenguaje para encontrar dónde les faltan habilidades a los empleados, recomendar qué debería aprender cada persona a continuación, producir material de capacitación más rápido y acompañar a las personas entre los cursos formales. El objetivo es reemplazar el currículo único para todos por un aprendizaje que se ajuste a la persona y al puesto, mientras el personal de L&D conserva el control de lo que se enseña y de lo que cuenta como «bueno».

Esta guía está dirigida a responsables de L&D, gerentes de recursos humanos y jefes de departamento que deciden dónde corresponde la IA en su capacitación. Explica las cuatro tareas que la IA realiza en L&D, qué dice la investigación sobre si funciona, un despliegue paso a paso y los errores que hunden a la mayoría de los proyectos. Forma parte de la sección de IA en recursos humanos, así que se centra en la función de aprendizaje y remite a otros textos para el resto del ciclo de vida del empleado.

Datos clave

• En el Workplace Learning Report 2025 de LinkedIn, el 71% de los profesionales de L&D dice que está explorando, experimentando o integrando la IA en su trabajo (LinkedIn Learning).
• En el mismo informe, el 49% de los profesionales de L&D y de talento coincide en que a sus ejecutivos les preocupa que los empleados carezcan de las habilidades para ejecutar la estrategia del negocio (LinkedIn Learning).
• Un metaanálisis de 50 evaluaciones controladas de tutoría inteligente por computadora encontró una mejora mediana de 0,66 desviaciones estándar en las calificaciones de las pruebas, suficiente para mover a un estudiante típico del percentil 50 al 75 (Kulik y Fletcher, 2016). Eran estudiantes, no empleados.
• En un experimento de campo con casi 1000 estudiantes de matemáticas de secundaria en Turquía, un chatbot sin restricciones subió las puntuaciones de práctica un 48%, pero dejó a los estudiantes un 17% peor en el examen sin IA, mientras que un bot estilo tutor con salvaguardas dejó los resultados del examen más o menos al nivel del grupo de control (Wharton).
• Entre 5179 agentes de atención al cliente a quienes se dio un asistente de IA generativa, la productividad subió un 14% en promedio y un 34% para los trabajadores novatos y de baja cualificación, con un impacto mínimo en los trabajadores con experiencia (NBER).
• La Ley de IA de la UE enumera el reconocimiento de emociones en los lugares de trabajo y las instituciones educativas como una práctica prohibida, una prohibición que entró en vigor en febrero de 2025 (European Commission).

Las cuatro tareas de la IA en L&D

El L&D tradicional funciona con un catálogo y un calendario: una lista de cursos y un horario de cuándo los toman las personas. La IA cambia la unidad de trabajo de «curso» a «persona». En los términos del ACE Framework, la mayoría de la IA de L&D ingiere registros de alumnos, datos de puestos y contenido, los analiza para encontrar brechas, predice qué debería aprender una persona a continuación, genera material y retroalimentación, y ejecuta acciones pequeñas, como inscribir a alguien o enviar un aviso.

Lea la última columna como el diseño real. Cada tarea anterior tiene una persona que es dueña del resultado. Si no puede nombrar a esa persona para un uso determinado, no está listo para desplegarlo.

Tarea 1: análisis de la brecha de habilidades

Una brecha de habilidades es la distancia entre lo que necesita un puesto y lo que pueden hacer las personas que lo ocupan. Medirla solía significar encuestas, calificaciones de los gerentes y un análisis anual de necesidades de capacitación. La IA lo acorta al leer evidencia que ya existe: descripciones del puesto, notas de desempeño, historiales de proyectos, certificaciones y cursos completados.

El flujo práctico es así:

1. Defina el objetivo. Enumere las habilidades que exige cada puesto, y a qué nivel. Si no tiene un marco de habilidades, empiece por sus diez puestos más importantes, no por toda la empresa. La base se trata en la estrategia de talento basada en habilidades.
2. Reúna la evidencia. Extraiga de los registros de recursos humanos, del historial de la plataforma de aprendizaje y, cuando corresponda, de autoevaluaciones y de las aportaciones del gerente.
3. Deje que el modelo infiera y compare. Estima un perfil de habilidades por persona y mide la brecha frente al puesto objetivo.
4. Agregue a nivel de equipo y de empresa. El resultado útil rara vez es la brecha de una persona. Es el patrón: «Ocho de doce gerentes de cuenta carecen de práctica en negociación».
5. Valide con personas. Los gerentes confirman o corrigen los hallazgos antes de que nadie actúe sobre ellos.

La presión por hacerlo bien es real. En el informe de LinkedIn, la mitad de los profesionales de L&D y de talento dice que a los ejecutivos les preocupa si los empleados tienen las habilidades adecuadas (LinkedIn Learning). La inferencia de habilidades es un buen uso de la IA porque el resultado es una hipótesis que hay que comprobar, no un veredicto sobre una persona. Se vuelve riesgosa en el momento en que una puntuación de habilidades inferida alimenta una decisión de ascenso o de despido. Manténgala en el carril del desarrollo. Los datos de entrada limpios también importan, y los fundamentos de datos de recursos humanos para la IA explican qué arreglar primero.

Tarea 2: rutas de aprendizaje personalizadas

Una ruta personalizada es una secuencia de actividades de aprendizaje ajustada al puesto, al nivel actual de habilidad, a los objetivos y al ritmo de una persona. La parte de IA es el emparejamiento y el reemparejamiento: quien aprueba la evaluación previa se salta lo básico, y quien tiene dificultades recibe una explicación distinta.

Lo que dice la evidencia es alentador para el diseño, pero más acotado de lo que sugieren los discursos de los proveedores. La base de investigación más sólida son los sistemas de tutoría inteligente, software que adapta la enseñanza paso a paso. Kulik y Fletcher revisaron 50 evaluaciones controladas y encontraron una mejora mediana de 0,66 desviaciones estándar, y el tamaño de la mejora dependía mucho de si los resultados se medían con pruebas desarrolladas localmente o estandarizadas (Kulik y Fletcher, 2016). Es un resultado sólido, y describe a estudiantes en cursos estructurados. No demuestra que un motor de recomendaciones que sugiere cursos al estilo de LinkedIn a adultos mejore el desempeño laboral. Tómelo como respaldo de la práctica adaptativa con retroalimentación, no de que «la IA elige sus cursos».

Una ruta que vale la pena construir tiene estas partes:

• Un objetivo claro (un puesto, una habilidad, un proyecto), no un «aprender IA» abierto.
• Una comprobación de línea base para que las personas no repitan lo que ya saben.
• Actividades breves combinadas con práctica en trabajo real.
• Un punto de contacto con el gerente. En los datos de LinkedIn, solo el 15% de los empleados dice que su gerente les ayudó a elaborar un plan de carrera en los últimos seis meses (LinkedIn Learning). La IA puede preparar la conversación, pero no puede reemplazarla.
• Un vínculo visible entre el aprendizaje y las oportunidades. Las rutas parecen inútiles si completarlas no cambia nada. Conectarlas con los movimientos internos es la idea detrás del mercado interno de talento con IA.

Si quiere ver el lado de la construcción, la guía del agente de IA de aprendizaje y desarrollo muestra cómo un agente recomienda rutas, inscribe a los alumnos y avisa a quienes se estancan.

Tarea 3: creación de contenido

El contenido es donde empiezan la mayoría de los equipos de L&D, porque el beneficio es fácil de ver: un primer borrador en minutos en lugar de días. Un modelo puede convertir un documento de políticas en un esquema de lección, escribir preguntas de cuestionario, crear escenarios de juego de roles, resumir un taller grabado y traducir material para otra región.

Bien usado, esto libera a los expertos en la materia y a los diseñadores instruccionales para revisar y mejorar en lugar de empezar desde páginas en blanco. Mal usado, produce una biblioteca de material genérico dicho con seguridad que nadie revisó. Tres reglas ayudan:

• Fundaméntelo en sus fuentes. Dé al modelo sus documentos de proceso reales y pídale que trabaje solo con ellos. El resultado genérico es como acaban los procedimientos erróneos en la capacitación.
• Mantenga a un experto en el circuito. Cada módulo de cumplimiento normativo, seguridad o técnico necesita un revisor con nombre que lo apruebe antes de su publicación.
• Pruebe con alumnos. Un módulo puede leerse bien y aun así no enseñar nada. Compruebe que las personas puedan hacer la tarea después.

Las habilidades más amplias para los equipos de recursos humanos que trabajan con estas herramientas están en la IA generativa para equipos de recursos humanos.

El estudio de Brynjolfsson, Li y Raymond es una referencia útil aquí, con una salvedad sobre lo que midió. Estudiaron a 5179 agentes de atención al cliente que recibieron un asistente de IA generativa y encontraron que la productividad subió un 14% en promedio y un 34% para los trabajadores novatos y de baja cualificación, con un impacto mínimo en los trabajadores con experiencia (NBER). Fue ayuda en el puesto de trabajo, no un programa de capacitación. Pero apunta a una idea de diseño: la IA que apoya a las personas mientras trabajan puede beneficiar más a los empleados más nuevos, lo que es un buen argumento para poner la orientación dentro del flujo de trabajo y no solo en un curso.

Tarea 4: coaching y práctica

El coaching es el uso más nuevo y menos asentado. Abarca asistentes de chat que responden «¿cómo manejo esto?» en el momento de la necesidad, simulaciones en las que un alumno practica una conversación difícil y retroalimentación sobre trabajos escritos.

La evidencia más importante aquí es una advertencia. En un experimento de campo con casi 1000 estudiantes de matemáticas de secundaria en Turquía, los estudiantes a quienes se dio un chatbot sin restricciones rindieron un 48% mejor en los problemas de práctica que el grupo de control, pero un 17% peor en un examen sin IA. Una versión estilo tutor que daba pistas en lugar de respuestas rindió un 127% mejor en la práctica y más o menos igual que el control en el examen (Wharton). Los estudiantes eran adolescentes que aprendían matemáticas, no empleados que aprendían un oficio, así que no traslade las cifras. La lección sí se traslada: si la IA hace el pensamiento, el rendimiento durante el ejercicio sube, pero el aprendizaje puede no hacerlo.

Para el coaching en el trabajo, eso sugiere algunas decisiones de diseño:

• Haga que la IA pregunte y dé pistas antes de dar respuestas.
• Use simulaciones de práctica para habilidades que las personas ejercerán a solas más adelante, como conversaciones de retroalimentación y llamadas con clientes.
• Evalúe a veces sin la IA, para saber qué pueden hacer las personas por sí solas.
• Mantenga los temas delicados (problemas de desempeño, conflictos, salud) en manos de una persona.

Tenga cuidado con las herramientas que dicen leer la emoción a partir de la voz o el video durante la práctica o la evaluación. La Ley de IA de la UE prohíbe el reconocimiento de emociones en los lugares de trabajo y las instituciones educativas (European Commission), y la ciencia detrás de tales afirmaciones es discutida.

Ejemplos reales por función

Equipo de L&D. Un responsable de aprendizaje alimenta una herramienta de habilidades con descripciones del puesto y el historial de cursos, descubre que un tercio del equipo de soporte nunca ha practicado la desescalada y encarga un módulo breve basado en escenarios. La IA encontró el patrón; el responsable decidió qué hacer al respecto.

Enablement de ventas. Un gerente usa un bot de juego de roles para que los nuevos representantes ensayen llamadas de descubrimiento antes de hablar con un prospecto, y luego revisa tres grabaciones a la semana para las conversaciones de coaching. El volumen de práctica sube, y el tiempo del gerente va a las conversaciones que importan.

Capacitación en cumplimiento normativo y seguridad. Los diseñadores instruccionales redactan módulos actualizados a partir de las políticas nuevas, y un responsable de cumplimiento revisa cada línea. La redacción es rápida, y la aprobación es lenta a propósito.

Operaciones de primera línea. Un supervisor de turno recibe una breve actualización específica de su puesto, recomendada tras un cambio de proceso, en lugar de un curso para toda la empresa que nadie termina.

Colaboradores individuales. Una analista le pide a un asistente que le explique un método estadístico usando como ejemplos los informes de la propia empresa y luego se pone a prueba con preguntas generadas. Ella es dueña de su aprendizaje; la herramienta acorta el camino.

Cómo desplegar la IA en L&D, paso a paso

1. Elija un problema de negocio. «Reducir el tiempo hasta la productividad de los nuevos empleados de soporte» supera a «adoptar IA en el aprendizaje». Un objetivo acotado hace medible el éxito.
2. Audite su contenido y sus datos de aprendizaje. Sepa qué cursos existen, quién los administra, si están actualizados y qué registra la plataforma de aprendizaje. La IA no puede recomendar lo que falta o está mal etiquetado.
3. Defina las habilidades de los puestos objetivo. Incluso una lista breve y acordada de habilidades y niveles da al sistema algo con qué emparejar. Un análisis formal de necesidades de capacitación es una forma estructurada de encontrar primero la brecha.
4. Empiece por la redacción de contenido o la inferencia de habilidades. Son lo que menos riesgo supone para las personas y muestran valor rápido.
5. Nombre a un responsable para cada uso de IA. Escriba quién revisa el resultado, qué puede anular y con qué frecuencia.
6. Fije las reglas de privacidad antes del lanzamiento. Decida qué datos de los empleados ve el sistema, quién ve los resultados y si los datos de habilidades individuales son visibles para los gerentes. Dígaselo a los empleados con claridad.
7. Haga un piloto con un grupo durante un trimestre. Mida frente a un grupo de comparación cuando pueda, no solo con puntuaciones de satisfacción.
8. Añada después rutas y coaching. Cuando el contenido y los datos de habilidades sean fiables, la personalización tiene algo sólido en qué apoyarse.
9. Conecte el aprendizaje con los resultados. Vincule los datos de finalización con métricas de desempeño y movilidad mediante la analítica de personas, cuidando que no se confunda correlación con causa.
10. Revise y retire. Elimine los cursos que nadie termina o que ya no corresponden al trabajo. Un motor de recomendaciones amplifica el catálogo que usted le dé.

Para la pregunta más amplia de reconstruir las habilidades de toda una plantilla, los programas de recualificación que de verdad funcionan profundiza más.

Qué medir

Las puntuaciones de satisfacción son la señal más débil en L&D, y la IA no lo cambia. Combínelas con medidas ligadas al trabajo.

• Adopción: la proporción de empleados elegibles que empiezan y terminan las rutas asignadas.
• Tiempo hasta la competencia plena: cuánto tardan los empleados nuevos o trasladados en alcanzar el estándar.
• Avance de habilidades: cambio en los niveles de habilidad evaluados, comprobados sin ayuda de la IA.
• Resultados de negocio: la métrica que la capacitación debía mover, como la calidad de la resolución o las tasas de error.
• Seguimiento del gerente: si las conversaciones de desarrollo realmente están ocurriendo.
• Equidad: si las recomendaciones y el acceso difieren entre grupos por razones ajenas al puesto.

Errores comunes

• Tratar la finalización como aprendizaje. La IA puede subir las finalizaciones con avisos. Eso no dice nada sobre si alguien puede hacer la tarea.
• Dejar que la herramienta piense. El experimento de matemáticas de secundaria anterior es el recordatorio: la ayuda puede elevar el rendimiento del momento mientras el aprendizaje se estanca.
• Usar puntuaciones de habilidades inferidas para decisiones de alto riesgo. La estimación de un modelo sobre la habilidad de alguien es una señal para el desarrollo. Las decisiones de ascenso y salario necesitan evidencia y criterio humano, y pueden activar obligaciones legales.
• Omitir el marco de habilidades. Sin definiciones claras, «personalizado» significa «recomendado por popularidad».
• Publicar contenido sin revisar. La capacitación generada puede contener errores dichos con seguridad. En seguridad y cumplimiento normativo, un paso equivocado tiene consecuencias.
• Ignorar el sesgo. Los sistemas de recomendación pueden dirigir a ciertos grupos hacia oportunidades de menor visibilidad si los datos de base reflejan patrones del pasado. Pruebe los resultados por grupo.

Dónde encaja en el panorama general

L&D toca todo el ciclo de vida del empleado, desde la incorporación hasta la sucesión. Si está trazando dónde corresponde la IA en recursos humanos, la IA a lo largo del ciclo de vida del empleado muestra dónde se sitúa el aprendizaje junto a la contratación, el compromiso y la retención.