Ann Handley publicó algo en LinkedIn la semana pasada que me detuvo a mitad de camino. Es una de las autoras más vendidas del Wall Street Journal y una de las voces más respetadas en marketing, y escribió:
“La alfabetización en IA no es una alfabetización inmediata. Es una alfabetización basada en el juicio”.
Su publicación continuaba planteando una pregunta que nadie en la industria de la formación en IA parece hacerse: “¿Por qué seguimos enseñando a la gente cómo utilizar la IA, sin enseñarles nunca cuándo no hacerlo?”.
Le envié un mensaje. Tenía que saber dónde iría alguien para aprender eso.
Su respuesta sincera: “No conozco ningún curso que enseñe exclusivamente esto. En MarketingProfs, nuestras sesiones sobre IA suelen incluir algunas diapositivas que abordan cuándo no usar la IA o cómo protegerse contra las alucinaciones, pero no conozco ninguna sesión o serie completa”.
Y añadió: “Creo que en realidad esa es la historia y el motivo por el que escribí lo que escribí. Tenemos toda una industria construida en torno a la capacitación en habilidades de IA: campos de entrenamiento de ingeniería, programas de certificación, tutoriales de herramientas, un millón de publicaciones en LinkedIn sobre las indicaciones perfectas que necesitas para hacer esto o aquello o te estás quedando atrás. Lo que no tenemos es algo que pregunte: ¿cuándo deberías dejar la herramienta? ¿Cuándo usarla te costó algo a lo que no quisiste renunciar?”.
Esa brecha es real y es más importante de lo que la industria de la formación en IA reconoce actualmente.
La alfabetización inmediata lleva una tarde. La alfabetización sobre el juicio lleva años
La distinción que hace Ann no es sutil una vez que la ves. La alfabetización inmediata se puede enseñar en una tarde. Aprendes la sintaxis, la estructura y el ciclo de refinamiento iterativo. Se aprende a ser específico, a agregar restricciones, a decirle al modelo qué no hacer y qué hacer. Esto es realmente útil y se aprende rápidamente.
La alfabetización en materia de juicio es algo completamente distinto. Es saber cuándo la velocidad de producción de la IA en realidad está erosionando algo que necesitabas construir lentamente. Es reconocer cuándo la lucha misma es el punto, cuándo la fricción de no saber todavía la respuesta es lo que produce la experiencia que importará más adelante. Es comprensión, como dijo Ann, “cuando la IA ayuda y cuando ataja la lucha misma que nos enseña algo”.
Un comentarista de su publicación lo expresó con precisión:
“La alfabetización inmediata se puede enseñar en una tarde y la alfabetización sobre el juicio lleva años, porque el juicio consiste principalmente en conocer el valor de la lucha que te estarías saltando”.
Llevo varios años impartiendo un curso en línea sobre contenido de IA en el que el público realmente confía. Y he pasado los últimos meses analizando qué ofrece realmente el panorama de la formación en IA a los profesionales. El patrón es consistente. Los cursos que existen (y ahora hay muchos) te enseñan lo que las herramientas pueden hacer. Los mejores te enseñan cómo desplegarlos estratégicamente. Casi ninguno de ellos te enseña cuándo dejarlos.
Esta no es una brecha menor en el plan de estudios. Es la cuestión central del momento actual.
Por qué existe la brecha
La industria de la formación en IA tiene un problema de incentivos estructurales. Los cursos que te enseñan a utilizar herramientas generan demanda de más herramientas, más cursos, más certificaciones. No existe ningún modelo de negocio para enseñar la moderación. Nadie está creando un campamento de entrenamiento de ingeniería rápido cuya lección principal sea “a veces no lo hagas”.
Pero el costo de saltarse la cuestión del juicio es real y mensurable. La propia investigación de Anthropic encontró que los ingenieros jóvenes que dependían en gran medida de agentes de codificación de IA demostraron una comprensión más débil de su trabajo cuando se los sometió a pruebas posteriores. Cuando la herramienta produjo resultados, la lucha que habría generado experiencia no se produjo. El resultado y la experiencia no son lo mismo.
Específicamente para los profesionales de SEO y los especialistas en marketing de contenidos, la exposición es directa. El mapa de exposición laboral a la IA del MIT, sobre el que escribí la semana pasada, encontró que casi tres cuartas partes del tiempo que un especialista en marketing pasa en el trabajo se dedica a tareas que la IA ya puede manejar. La cuestión no es si utilizar la IA para esas tareas. Para muchos de ellos, deberías hacerlo. La pregunta es qué tareas de ese 74% son en realidad aquellas en las que el hacer es aprender, en las que la subcontratación de la ejecución también subcontrata la comprensión que se necesita desarrollar.
Esa pregunta requiere juicio. No se puede responder mediante un mensaje.
Cultura, no cursos
Cuando le pregunté a Ann dónde deberían ir los practicantes para desarrollar este juicio, su segundo mensaje reformuló la pregunta por completo.
“¿Realmente necesitamos un curso? Lo que necesitamos en cambio es permiso y un mejor modelado. Líderes que elijan visiblemente el camino largo. Gerentes que digan en voz alta cuándo no van a usar la IA para ciertas cosas, y aquí les explican por qué. Individuos que vean el valor. Dicho de otra manera: cultura, no cursos”.
Vale la pena considerar ese replanteamiento. El juicio sobre cuándo no utilizar la IA no es una habilidad que se transmita a través de un programa de certificación. Es una norma profesional que se transmite a través de la observación, al observar a alguien a quien respetas tomar la decisión deliberada de hacer algo de manera lenta y humana, y luego explicar por qué.
Ann tiene un libro que se publicará en febrero de 2027 de Penguin Random House llamado “Lo antes posible (lo más lento posible): cuándo tomar el camino largo en un mundo de atajos”. El título capta la tensión con precisión. En una cultura profesional que ha hecho de la velocidad la virtud principal, elegir la lentitud requiere no sólo juicio sino coraje: la voluntad de que te vean tardando más cuando todos a tu alrededor están acelerando.
Lo que los profesionales realmente pueden probar ahora mismo
El punto de vista de Ann sobre la cultura en lugar de los cursos es correcto a largo plazo. Pero mientras esa cultura aún se está formando, los profesionales necesitan algo concreto. Aquí hay un flujo de trabajo que vale la pena replicar, extraído de un experimento que realicé con el equipo editorial de The Acton Exchange, un periódico comunitario sin fines de lucro en Acton, Massachusetts, en noviembre de 2025.
El equipo enfrentó un problema de fecha límite. Un comité directivo acababa de celebrar una sesión de trabajo de tres horas sobre una cuestión crítica de reorganización del distrito escolar, revisando 156 páginas de materiales. La reunión no fue grabada, lo que significaba que no había transcripción disponible. Pero las 101 páginas de información complementaria y las 55 páginas de comentarios públicos que el comité había recibido de antemano eran accesibles.
Entonces, el equipo intentó algo nuevo. Elaboramos un mensaje detallado que especifica lo que el artículo debía lograr: información precisa y confiable, una historia convincente y relevante para los residentes. Subimos las 156 páginas a cuatro motores de IA simultáneamente: ChatGPT, Gemini, Perplexity y NotebookLM. Cada motor tomó una ruta diferente a partir del mismo mensaje y el mismo material fuente. ChatGPT produjo 748 palabras centradas en datos y procesos. Géminis produjo 712 palabras centradas en por qué el status quo ya no era viable. La perplejidad produjo 1.232 palabras centradas en lo que significaban las opciones para los residentes. NotebookLM produjo 1.506 palabras organizadas en torno a cinco verdades sorprendentes.
Revisamos los cuatro borradores juntos en una reunión editorial en la que participaron todos. El borrador de Perplexity fue el más preciso y el más útil como base. Lo elegimos como nuestro punto de partida. Luego hicimos lo que ningún motor de IA podía hacer: agregamos citas directas de personas que estaban en la sala, reflejando las voces de la comunidad que Acton Exchange pretende representar.
La lección clave de este experimento no es qué motor funcionó mejor. Es lo que el proceso reveló sobre el juicio. El administrador municipal, John Mangiaratti, había observado unas semanas antes que las herramientas eran útiles para el primer 75% del contenido, pero que “el 25% restante de los detalles, los matices y el contexto faltan o son incorrectos”. El superintendente Peter Light estuvo de acuerdo y agregó que la calidad mejora con mejores indicaciones de entrada.
Esa división 75/25 es un marco práctico para cualquier flujo de trabajo de contenido. Utilice la IA para recorrer rápidamente el 75% del camino. Luego aplique la experiencia humana, la verificación de fuentes primarias y la observación directa para cerrar la brecha. El 25% que requiere un humano no es un error en el flujo de trabajo. Es donde vive el juicio.
Antes de adoptar cualquier herramienta de IA en su proceso de contenido, tenga una conversación explícita con su editor o equipo sobre qué tareas manejará la IA y cuáles requieren supervisión humana. Documente su mensaje. Ejecute el mismo mensaje en más de un motor cuando haya mucho en juego. Verifique los resultados con fuentes primarias antes de publicarlos. Y revele su proceso a su audiencia, como lo hizo Acton Exchange al pie de este artículo publicado.
Ann Handley tiene razón en que la verdadera habilidad es el juicio: saber cuándo la velocidad es útil y cuándo en realidad erosiona algo que necesitabas construir. El experimento de Acton Exchange no resolvió esa cuestión. Hizo que la pregunta fuera visible de una manera que un curso de ingeniería rápido nunca lo haría.
La alfabetización inmediata te lleva al 75%. La alfabetización en materia de juicio es lo que cierra el resto.
Más recursos
Imagen de portada: Yuriy2012/Shutterstock
