Bajo el eje “Entre la automatización, la escalabilidad y el sentido formativo”, las jornadas pusieron en discusión las transformaciones que la IA está generando sobre los saberes, las competencias, las trayectorias formativas, los diseños pedagógicos y las formas de evaluar.

Del encuentro participó activamente Cecilia Nóbile, Chief Learning Officer de CILTE, el Centro de Innovación Latinoamericana en Tecnología Educativa de e-ABC Learning, quien destacó que uno de los principales desafíos consiste en ampliar la conversación más allá de permitir o prohibir estas herramientas.

“La discusión ya no puede limitarse a decidir si permitimos o no que los estudiantes utilicen inteligencia artificial. Tenemos que volver a preguntarnos qué saberes necesitan, qué aprendizajes queremos acreditar y qué actividades siguen teniendo sentido en este nuevo escenario”, señaló Nóbile.

Repensar las evidencias de aprendizaje

La incorporación cotidiana de herramientas capaces de generar textos, imágenes, traducciones, código, explicaciones o resúmenes también obliga a revisar las propuestas de enseñanza y, especialmente, las formas de evaluación.

En este contexto, el desafío pasa por determinar qué evidencias permiten afirmar que efectivamente hubo aprendizaje y desplazar parte de la atención desde el producto final hacia los procesos que llevaron a construirlo.

“Si una herramienta puede producir en segundos un primer borrador, un resumen o una explicación, tenemos que revisar qué les pedimos a los estudiantes y, sobre todo, para qué se lo pedimos. El proceso, la argumentación y la capacidad de justificar decisiones y posicionamientos adquieren cada vez más relevancia”, explicó Nóbile.

Este escenario no supone abandonar los trabajos escritos, las producciones digitales o las actividades domiciliarias, sino revisar su propósito pedagógico. Frente a una mayor facilidad para producir respuestas, cobra especial importancia la capacidad de formular preguntas pertinentes, analizar lo producido y construir criterios para evaluar las respuestas obtenidas.

“Cuando producir una respuesta se vuelve más sencillo, saber hacer buenas preguntas y tener criterios para juzgar esas respuestas se vuelve todavía más importante. Ahí aparece uno de los grandes desafíos que tenemos hoy como educadores”, agregó.

La eficiencia no puede ser el único criterio

Otro de los ejes abordados durante las jornadas fue el lugar de la eficiencia en las decisiones sobre incorporación y apropiación de inteligencia artificial.

Las instituciones cuentan hoy con herramientas que permiten automatizar respuestas frecuentes, generar materiales personalizados, recomendar recursos, analizar producciones o asistir procesos de escritura. Sin embargo, las posibilidades tecnológicas no necesariamente determinan qué prácticas deberían automatizarse.

“La IA puede ayudarnos a hacer muchas cosas de manera más rápida y eficiente, pero en educación la eficiencia no siempre es la mejor guía. Hay dimensiones del proceso educativo —acompañar, escuchar, orientar, desafiar intelectualmente y construir comunidad— cuyo valor no puede reducirse a cuánto tiempo podemos ahorrar”, sostuvo Nóbile.

La participación en las IX Jornadas dejó así nuevos interrogantes sobre el lugar que ocupará la inteligencia artificial en la educación superior y, fundamentalmente, sobre las decisiones pedagógicas que deberán acompañar su incorporación.

“Más que buscar respuestas definitivas, estos espacios nos permiten volver con mejores preguntas. La inteligencia artificial nos está obligando a revisar prácticas que muchas veces dábamos por sentadas y a preguntarnos nuevamente qué vale la pena enseñar, qué vale la pena aprender y qué experiencias educativas queremos construir”, concluyó Nóbile.

Si muchas tareas que antes requerían horas de ejecución hoy pueden resolverse o acelerarse con IA, el diferencial empieza a desplazarse hacia la capacidad de formular buenos problemas, tomar decisiones, evaluar resultados, comprender contextos y aplicar criterio.

Sobre esta transformación conversamos con Ulises Martins, Chief AI Officer (CAIO) del Centro de e-Learning de la UTN Buenos Aires, para analizar cómo la IA está redefiniendo el trabajo y qué desafíos plantea para estudiantes, profesionales, organizaciones y universidades.

A lo largo de la entrevista, Martins aborda el impacto de la IA en los primeros empleos, las habilidades que ganan relevancia frente a la automatización y la necesidad de repensar los modelos de formación.

Además, analiza cómo las universidades pueden utilizar inteligencia artificial para comprender mejor las demandas del mercado laboral y cómo tecnologías como el Smart Matching pueden evolucionar la manera en que talento y oportunidades se encuentran.

Una conversación que propone mirar más allá de las herramientas para poner el foco en las capacidades humanas que necesitamos desarrollar para generar valor, en un contexto donde la capacidad de ejecución se amplifica.

¿Cuál es el cambio más profundo que la IA está generando hoy en el mundo del trabajo?

El cambio más profundo es que se movió el cuello de botella. Durante décadas, el trabajo del conocimiento se organizó alrededor de la ejecución: escribir el código, armar el reporte, hacer el análisis. Eso consumía el 70 u 80% del tiempo.

Hoy la cadena pasó de «pensar, decidir, ejecutar, verificar» a «pensar, decidir, instruir, verificar». Cuando la ejecución se comprime, lo escaso pasa a ser el juicio: qué construir, para quién, por qué y cuándo dejar de construir.

Y hay algo más incómodo. Hace más de cincuenta años que la evidencia muestra que en trabajo cognitivo los mejores no son un poco mejores: son 5, 10, a veces 20 veces mejores. Pero ese «10x» tenía un techo: 24 horas, atención limitada, costos de coordinación. La IA rompió ese techo.

Recientemente, escribimos un libro junto a Matias Karlsson en donde lo resumimos así: Impacto = Juicio × Amplificación × Velocidad de iteración. La IA no multiplica a todos por igual; amplifica el juicio. Y eso cambia todo: cómo se evalúa, cómo se paga y cómo se organiza el trabajo.

Teniendo en cuenta que acceder a información y generar respuestas es cada vez más simple, ¿qué habilidades humanas ganan valor?

«Cuando las respuestas se vuelven commodity, las buenas preguntas son la nueva riqueza». Veo algunas habilidades que la IA no reemplaza, sino que amplifica, al menos por ahora:

• La primera es el pensamiento de producto: entender un problema humano en profundidad y saber qué no hacer.
• La segunda es el criterio o el gusto: si la IA te da diez opciones, alguien tiene que saber cuál es la correcta.
• La tercera es el pensamiento sistémico, porque la IA resuelve muy bien lo local pero flaquea en las consecuencias de segundo y tercer orden.
• La cuarta es decidir bajo ambigüedad, con datos incompletos.
• La quinta es el storytelling estratégico: no escribir correcto, sino mover a otros a actuar.
• La sexta, más nueva, es lo que llamamos context engineering: saber dirigir inteligencia, darle a un sistema el contexto, los objetivos y las restricciones para que trabaje bien.

Lo que pierde valor es la ejecución «estándar»: el mail correcto, el análisis rutinario, el código mecánico, la búsqueda y el resumen básico.

En la actualidad, muchas tareas junior pueden ser asistidas por IA. ¿Cómo cambia el desafío del primer empleo y la construcción de experiencia?

Es probablemente el desafío más serio que tenemos, y no quiero minimizarlo. Históricamente el junior aprendía haciendo el trabajo que nadie más quería hacer: ahí se formaba el criterio. Si ese trabajo lo hace la IA, se rompe la escalera de aprendizaje tradicional.

Pero hay una contracara. Por primera vez, una persona que recién empieza puede construir algo real sin pedirle permiso a nadie: un producto, una herramienta, un análisis publicado, un proyecto open source.

La experiencia deja de depender exclusivamente de que una empresa te dé la oportunidad. El portfolio de cosas hechas empieza a pesar tanto o más que el CV.

Mi visión concreta para alguien que busca su primer trabajo: no compitas contra la IA en ejecución, porque vas a perder. Mostrá juicio. Mostrá que sabés elegir qué problema resolver, que sabés evaluar lo que la IA produce y que podés llevar una idea de cero a algo que funciona. Eso un recruiter lo ve enseguida.

 Y a las organizaciones les diría: Hay que rediseñar cómo se forma el criterio, no eliminar la entrada.

¿Qué debería aprender hoy un estudiante para un mercado que va a cambiar varias veces?

Primero, aceptar una verdad: no existe más la seguridad laboral permanente. Lo que existe es la empleabilidad durable. Y eso se construye con lo que a veces llamamos un portafolio antifrágil, que tiene cuatro piezas:

• Competencia técnica suficiente para evaluar lo que produce la IA; no hace falta ser el mejor «programador», pero sí darte cuenta cuando algo está mal.
• Profundidad real en al menos un dominio, porque el juicio necesita contexto.
• Capacidad de operar en intersecciones, entre negocio y tecnología, entre datos y personas.
• Práctica deliberada de tomar decisiones, porque el juicio se entrena decidiendo, equivocándose y corrigiendo.

A eso le sumaría algo muy práctico: aprender a iterar rápido y a «soltar». La calidad de lo que hacés es función de cuántos ciclos de pensar, construir, probar y aprender podés hacer. Antes eran días por ciclo; hoy son minutos.

El estudiante que internaliza eso tiene una ventaja enorme sin importar qué herramienta esté de moda.

¿Cómo debería evolucionar el rol de las universidades? ¿Alcanza con incorporar herramientas de IA?

No alcanza. Incorporar herramientas sin cambiar qué y cómo se enseña es poner un motor nuevo en un auto con el diseño viejo.

El sistema educativo se diseñó en la era industrial para formar gente que siga procedimientos, memorice y reproduzca técnicas. Si la ejecución se commoditizó, educar para ejecutar es educar para la obsolescencia.

Hay que moverse hacia otros modelos. Por ejemplo, formular problemas, con proyectos abiertos en lugar de multiple choice. Evaluar críticamente el output de la IA: que los estudiantes pasen más tiempo criticando que produciendo. Dirigir agentes y trabajar con contexto. Integrar disciplinas, porque la hiperespecialización tenía sentido cuando aprender un dominio llevaba décadas. Y ética aplicada, no como una optativa de un cuatrimestre sino atravesando todo.

El modelo que me entusiasma es un continuo de proyectos reales, mentoría con gente que está haciendo y herramientas reales. Más ciclos, feedback más rápido. Las universidades que lo entiendan van a ser aceleradores.

¿Puede la IA ayudar a las universidades a entender qué habilidades demanda el mercado y fortalecer su oferta formativa?

Sí, y es de los usos más valiosos y menos explotados. Hoy una universidad actualiza un plan de estudios con ciclos de años, mientras el mercado cambia en meses o a veces, incluso semanas. Esa asimetría no se resuelve con más comisiones; se resuelve con mejor información y más velocidad de iteración.

La IA puede leer a escala lo que ningún equipo humano puede: miles de búsquedas laborales, cómo cambian los perfiles pedidos, qué habilidades aparecen juntas, qué se está dejando de pedir. Y lo más interesante: puede cruzar eso con lo que la universidad efectivamente enseña y con cómo les va a sus egresados. Ahí aparecen los huecos reales.

Pero hay una advertencia importante. Si la universidad solo persigue lo que el mercado pide hoy, llega tarde siempre. La IA sirve para detectar señales; el juicio sobre qué formar para el mercado de dentro de cinco años sigue siendo humano e institucional. Datos para informar, criterio para decidir.

¿Estamos pasando de «buscar y postularse» a un modelo donde la tecnología acerca oportunidades de forma personalizada?

Sí, y es un cambio de paradigma. El modelo de «buscar y postularse» pone toda la carga en la persona: tiene que saber qué existe, traducir su experiencia a las palabras que el aviso espera y competir en un embudo que filtra por palabras clave. Eso favorece a quien ya sabe jugar el juego, no a quien tiene más potencial.

La tecnología puede invertir esa lógica: que la oportunidad encuentre a la persona. Entender su trayectoria, sus proyectos, cómo piensa, qué le interesa, y acercarle oportunidades que quizás ni hubiera buscado porque no sabía que existían o no creía calificar.

Ahora, la personalización es poderosa en las dos direcciones. Bien hecha, abre puertas. Mal hecha, encierra a la gente en lo que ya fue. Un buen sistema no solo tiene que mostrarte lo que se parece a tu pasado, sino también lo que es compatible con tu potencial.

La plataforma de empleabilidad Talentia aborda el Smart Matching. ¿Qué puede aportar la IA más allá de las palabras clave de un CV?

Las palabras clave miden cómo alguien describe lo que hizo, no lo que es capaz de hacer. Son un proxy muy pobre, y además sesgado: premian a quien sabe escribir un CV, no a quien tiene criterio.

La IA puede entender semántica y contexto. Sabe que alguien que coordinó la logística de un evento universitario con 500 personas tiene habilidades de gestión de proyectos aunque nunca haya escrito «project management». Puede inferir habilidades transferibles entre industrias, leer proyectos y producciones concretas y no solo títulos, y detectar patrones de aprendizaje: qué tan rápido alguien incorporó cosas nuevas.

Lo más valioso, para mí, es que puede empezar a acercarse a la variable que realmente importa hoy, que es el juicio. No perfectamente, pero sí mejor que un filtro de palabras. Y del lado de la organización, puede entender qué necesita realmente el puesto, más allá de un aviso que muchas veces es una lista de deseos copiada del anterior.

¿Puede el Smart Matching detectar potencial en personas sin trayectoria extensa que quedarían fuera de procesos tradicionales?

¡Claro que puede!, y creo que es donde más valor social tiene. Hay un dato de una investigación  que es muy revelador: en los estudios clásicos sobre programadores no se encontró una correlación clara entre años de experiencia y productividad. Los años no son juicio. Y sin embargo los procesos de selección siguen filtrando por años.

Un buen sistema puede mirar otras señales: proyectos propios, velocidad de aprendizaje, capacidad de resolver problemas, trayectorias no lineales. Eso es clave para jóvenes, para gente que viene de otros sectores y también para perfiles neurodivergentes, que muchas veces tienen un pensamiento lateral excepcional y quedan afuera por filtros que miden conformidad y no capacidad.

Y en América Latina esto es todavía más importante. El juicio no tiene código postal, pero las oportunidades sí. Si la IA ayuda a que el talento de un estudiante de una ciudad del interior sea visible en igualdad de condiciones, eso cierra brechas en lugar de agrandarlas. La condición es diseñarlo a propósito para eso, porque un sistema entrenado solo con decisiones del pasado reproduce los sesgos del pasado.

¿Hasta dónde debería llegar la IA en la conexión entre talento y organizaciones? ¿Qué decisiones deberían seguir siendo humanas?

La IA debería hacer lo que hace mejor que nosotros: leer a escala, descubrir candidatos que nadie estaba mirando, ampliar el universo de opciones, sacar a la luz señales que un recruiter con 300 CVs por día no puede ver.

Las decisiones que tienen que seguir siendo humanas son las que involucran relaciones personales, valores, contexto y consecuencias sobre la vida de una persona: a quién se contrata, a quién se descarta, cómo se evalúa el encaje con una cultura, cómo se interpreta una trayectoria atípica. Ahí el criterio humano no es un trámite: es responsabilidad y también puede ser asistido con IA.

Hay un principio del libro que aplica perfecto: tu responsabilidad escala con tu amplificación. Un sistema de matching toma miles de decisiones por día. Si tiene un sesgo, lo multiplica por miles. Por eso necesita transparencia sobre por qué recomienda lo que recomienda, auditoría constante y que la persona pueda entender y cuestionar el resultado. La IA amplifica el juicio de quien la diseña; tiene que ser buen juicio.

¿Cuál es el valor agregado que aporta Talentia al ecosistema de empleabilidad, con foco en la IA?

Para mí el valor está en cambiar la pregunta. El ecosistema tradicional pregunta «¿quién tiene las palabras correctas en el CV?». Una plataforma como Talentia puede preguntar «¿quién tiene el potencial para este desafío, aunque todavía no lo haya demostrado en un título?». Eso tiene tres capas de valor.

Para las personas, visibilidad: que su talento sea encontrado aunque no tenga una trayectoria extensa ni sepa jugar el juego de los filtros.

Para las organizaciones, mejores matches y más rápidos, basados en capacidades reales y no en proxies.

Y para las universidades, algo que me parece clave: un circuito de feedback entre lo que se forma y lo que el mercado necesita, con datos reales y actualizados.

Ante la pregunta sobre qué capacidad hace hoy más competitivo a un profesional en la Industria 4.0, el 45% de los participantes eligió el pensamiento analítico, seguido por el conocimiento en inteligencia artificial aplicada, con el 29%. Los conocimientos técnicos y la interpretación de datos obtuvieron un 13% cada uno.

“Los resultados muestran un cambio interesante en la manera de pensar el talento industrial. El expertise técnico sigue siendo fundamental, pero cada vez cobra mayor importancia la capacidad de utilizar ese conocimiento para interpretar escenarios, conectar variables y tomar mejores decisiones”, explicó Leandro Di Nardo, director de NUMAN.

La elección del pensamiento analítico como principal diferencial adquiere especial relevancia en un escenario donde muchas tareas operativas, repetitivas o altamente estructuradas pueden automatizarse.

Las organizaciones industriales cuentan cada vez con más información proveniente de sensores, sistemas MES y ERP, dashboards en tiempo real, herramientas predictivas y soluciones de automatización. Sin embargo, disponer de esos recursos no garantiza por sí mismo mejores resultados.

“El acceso a datos y tecnología crece, pero el valor aparece cuando las personas pueden transformar esa información en decisiones. Hoy se necesitan profesionales capaces de hacerse las preguntas correctas, detectar patrones, comprender causas raíz, evaluar impactos y construir criterios frente a escenarios que cambian rápidamente”, señaló Di Nardo.

Desde esta perspectiva, el resultado de la encuesta no implica una pérdida de relevancia de las capacidades técnicas. Por el contrario, su 13% puede interpretarse como una señal de que el mercado comienza a considerarlas una condición de base para determinados perfiles, mientras que el diferencial se traslada hacia la manera en que esos conocimientos se integran con otras capacidades.

La IA aplicada gana terreno en los perfiles industriales

El segundo dato destacado de la encuesta es el 29% obtenido por el conocimiento en inteligencia artificial aplicada.

La IA, históricamente asociada a áreas de tecnología e innovación, comienza a incorporarse de manera más concreta a funciones vinculadas con operaciones, supply chain, mantenimiento, calidad, forecasting y eficiencia industrial.

Su impacto puede observarse en aplicaciones como mantenimiento predictivo, optimización de inventarios, planificación productiva, detección de desvíos de calidad, automatización de tareas administrativas y análisis de escenarios operativos complejos.

“La palabra clave es ‘aplicada’. Para un profesional industrial, el diferencial no pasa por conocer la inteligencia artificial desde una perspectiva teórica, sino por comprender dónde puede generar valor y cómo combinar estas herramientas con su propio criterio y conocimiento del negocio”, sostuvo el director de NUMAN.

Hacia un perfil profesional cada vez más híbrido

Los resultados permiten observar una tendencia más amplia. Frente a los desafíos de la Industria 4.0, la competitividad profesional comienza a depender de la combinación de distintas capacidades.

El nuevo perfil industrial integra conocimiento técnico, pensamiento analítico, interpretación de datos, adopción tecnológica, visión de negocio y colaboración interdisciplinaria. Esta combinación adquiere particular importancia en áreas como automatización, manufactura avanzada, ingeniería, calidad, supply chain, mantenimiento, operaciones y transformación industrial.

“Cada vez vemos menos espacio para perfiles definidos exclusivamente por una especialidad. Las organizaciones necesitan personas que conozcan profundamente su disciplina, pero que además puedan entender el impacto de sus decisiones, trabajar con otras áreas, incorporar tecnología y resolver problemas complejos”, afirmó Di Nardo.

El desafío ya no es solo encontrar talento, sino desarrollarlo

La transformación también plantea un desafío para las propias compañías. Muchos de los perfiles que necesitará la industria en los próximos años todavía están en proceso de construcción, por lo que la agenda de talento no puede limitarse únicamente a identificar profesionales disponibles en el mercado.

Capacitación continua, reskilling, aprendizaje interdisciplinario, exposición a nuevas tecnologías y espacios de experimentación comienzan así a ocupar un lugar cada vez más relevante en las estrategias de desarrollo.

“Cuando hablamos de escasez de talento solemos pensar inmediatamente en la dificultad para encontrar determinados perfiles. Pero una parte importante del desafío consiste en desarrollar capacidades que todavía están madurando. Las empresas que puedan anticiparse y formar profesionales capaces de integrar conocimiento técnico, análisis y nuevas tecnologías estarán mejor preparadas para competir”, concluyó Di Nardo.

Los resultados de la encuesta reflejan una evolución del concepto de talento competitivo en la Industria 4.0. El conocimiento técnico conserva su importancia, pero el diferencial se desplaza hacia la capacidad de convertir ese conocimiento, junto con los datos y la tecnología, en mejores decisiones, adaptación y valor para el negocio.

Sobre esa tensión giró la conferencia “La frontera probabilística. ¿Cómo orquestar agentes en sistemas core que exigen certezas?”, presentada por Daniel Menal, Head of IA & Data de IT Patagonia, en Nerdearla 2026.

A lo largo de la ponencia, Menal compartió la experiencia desarrollada a partir de un desafío concreto de modernización de sistemas core y el recorrido que llevó al equipo a revisar algunas de sus hipótesis iniciales sobre el uso de inteligencia artificial.

El punto de partida parecía sencillo. Si hoy la IA puede leer COBOL o assembler, interpretar código antiguo y generar Java, ¿podría utilizarse para acelerar la modernización de estos sistemas?

La experiencia mostró que el desafío iba mucho más allá de transformar código de un lenguaje a otro.

Modernizar no es solamente traducir código

Uno de los primeros aprendizajes que surgieron durante el desarrollo fue entender que generar código nuevo no garantiza haber comprendido correctamente el comportamiento del sistema original.

Una IA puede producir código que se vea correcto, compile e incluso supere determinadas pruebas. Pero los sistemas core contienen reglas construidas durante años a partir de excepciones, secuencias particulares, cálculos y decisiones que muchas veces no se encuentran documentados.

Ese fue uno de los primeros cambios de perspectiva del proyecto. El problema dejó de ser únicamente cómo pasar de un lenguaje antiguo a uno nuevo y comenzó a formularse de otra manera: ¿cómo cambiar algo crítico sin romper aquello que ya funciona?

A partir de ese aprendizaje, se redefinió el objetivo. La experiencia dejó de pensarse como la construcción de un traductor automático de código y comenzó a orientarse hacia una forma de modernizar sistemas críticos sin perder el control sobre el proceso.

Abrir la caja negra

En ese recorrido, la IA generativa resultó una herramienta para comenzar a comprender mejor los sistemas existentes. Al analizar código legado, permitió explicarlo, identificar funcionalidades, ordenar información y proponer posibles transformaciones.

Pero la experiencia también puso en evidencia una distinción central: una explicación convincente generada por IA no equivale necesariamente a una verdad sobre el sistema.

Las respuestas generadas debían funcionar como propuestas para investigar y contrastar. A partir de allí, el equipo comenzó a diferenciar las tareas en las que resultaba útil incorporar capacidades generativas de aquellas donde se necesitaba un comportamiento determinístico.

Mientras comprender una lógica compleja o proponer una transformación podía beneficiarse de la IA generativa, revisar dependencias, comparar resultados, repetir procesos conocidos o conservar evidencia requería que, ante las mismas condiciones, el sistema respondiera de manera consistente.

Entender mejor el sistema abrió además la posibilidad de evaluar qué era lo que realmente debía migrarse.

La aparición de piezas de código sin dependencias o integraciones activas aparentes durante el análisis, no constituían señales suficientes para descartarlas, ya que podían existir procesos poco visibles o ejecuciones esporádicas. No obstante, permitieron reformular el problema. La pregunta dejó de ser “¿cómo migramos todo?” para convertirse en “¿qué vale la pena transformar y con qué evidencia?”.

Orquestar agentes no significa darles autonomía absoluta

Otro de los aprendizajes de la experiencia estuvo relacionado con la forma de distribuir las tareas entre diferentes agentes.

La solución desarrollada no se basó en una única IA capaz de realizar todo el proceso. Se trabajó con agentes separados, a los que se les asignaron tareas, herramientas y permisos específicos. Uno podía leer y comprender, otro proponer una transformación, y el tercero realizar comprobaciones que necesitaran resultados repetibles.

Esta separación permitió establecer una diferencia fundamental: tener capacidad para leer no implica tener permiso para modificar, y tener capacidad para proponer tampoco significa poder publicar un cambio.

La autonomía comenzó así a pensarse como una escala y no como una decisión binaria. Cuanto mayor fuera el impacto potencial de una acción, mayor debía ser también la evidencia y los controles necesarios antes de habilitarla.

Como se planteó durante la presentación, un buen prompt no funciona como un permiso. Indicarle a una IA que actúe con cuidado no reemplaza la necesidad de definir qué herramientas puede utilizar y qué acciones puede realizar.

La IA propone; el sistema contrasta

Esta lógica llevó a otra de las distinciones surgidas durante el desarrollo: una propuesta no es una prueba.

La IA puede sugerir cómo transformar una funcionalidad, pero esa propuesta necesita ser contrastada. El sistema debe revisar dependencias, ejecutar verificaciones repetibles, comparar resultados y conservar evidencia de lo realizado.

La experiencia también mostró el límite de esas verificaciones. Que un proceso produzca resultados consistentes no significa automáticamente que esos resultados sean correctos desde la perspectiva del negocio.

A partir de la evidencia obtenida, se definieron distintos caminos. Algunas piezas podían avanzar hacia una transformación. En ciertos casos, la información incompleta, las señales contradictorias o el nivel de impacto requerían una revisión. También podía ocurrir que una pieza no tuviera sentido de negocio para ser modernizada.

De esta manera, la experiencia fue dando forma a una definición concreta de orquestación. No se trataba simplemente de conectar diferentes agentes, sino de establecer quién puede hacer qué, con qué herramientas, con qué evidencia y hasta dónde.

Diseñar sistemas que puedan responder por lo que hacen

Hacia el cierre de su ponencia, Menal recuperó algunos de los límites que la propia experiencia permitió identificar:

• Una respuesta que parece convincente no necesariamente es correcta. 
• Un proceso que produce siempre el mismo resultado no comprende por sí mismo el negocio. 
• No todas las tareas mejoran por incorporar un agente.

El objetivo del enfoque desarrollado no fue, entonces, eliminar por completo la incertidumbre, sino identificar dónde se encuentra, reducirla cuando es posible y no ocultarla cuando no puede eliminarse.

De ese recorrido surgieron tres preguntas para pensar la incorporación de agentes en procesos críticos: qué puede proponer, qué se puede comprobar y qué no puede hacer por sí solo.

La experiencia presentada comenzó con la posibilidad de utilizar IA para acelerar la transformación de código legado y terminó planteando un desafío más amplio.

La frontera, señaló Daniel Menal hacia el cierre, no está únicamente entre el código antiguo y el código nuevo, ni entre utilizar o no inteligencia artificial. Está entre dejar que una IA parezca inteligente y diseñar un sistema que pueda responder por lo que hace.

En sistemas core, modernizar no significa solamente generar código nuevo. Implica cambiar lo que hace falta sin perder lo que importa.

A medida que el aprendizaje adquiere un rol cada vez más estratégico dentro de las organizaciones, también crece la necesidad de demostrar su impacto. Ya no alcanza con mostrar cuántas personas participaron de una capacitación, cuántas horas de formación se impartieron o cuántos cursos fueron completados.

Los líderes quieren entender algo mucho más relevante: si esas iniciativas están mejorando el desempeño, acelerando la adaptación al cambio, fortaleciendo capacidades críticas o contribuyendo al cumplimiento de los objetivos estratégicos.

Esta necesidad está impulsando una transformación profunda en la forma de evaluar el aprendizaje corporativo. Porque si el aprendizaje pretende ocupar un lugar estratégico dentro de las organizaciones, también debe ser capaz de hablar el lenguaje de la estrategia y de los resultados.

En otras palabras, el desafío es demostrar si un proceso de capacitación generó valor e impacto en el negocio.

Por ejemplo, un profesional puede completar un programa de liderazgo y obtener excelentes resultados en las evaluaciones finales, pero si su forma de gestionar equipos no cambia, el impacto organizacional será prácticamente inexistente.

Del mismo modo, una empresa puede invertir en formación tecnológica para cientos de colaboradores sin lograr acelerar proyectos, mejorar la productividad o impulsar la innovación.

En ambos casos la actividad ocurre pero la transferencia de competencias no sucedió o no pudo aplicarse el puesto de trabajo.

A partir de este tipo de situaciones, cada vez más organizaciones comienzan a cuestionar una práctica que durante años fue considerada válida: medir el esfuerzo en lugar de los resultados.

Cantidad de participantes versus resultados

La evolución del aprendizaje corporativo está impulsando un cambio de paradigma. En lugar de preguntarse cuántas personas participaron de una iniciativa, las organizaciones comienzan a preguntarse qué resultados permitió alcanzar esa iniciativa.

Esta diferencia modifica profundamente la manera de diseñar, implementar y evaluar programas de desarrollo, de acuerdo a su objetivo. Veamos tres casos concretos:

• Mejorar la experiencia del cliente: la capacitación debería reflejarse en indicadores asociados a satisfacción, resolución de problemas o tiempos de respuesta.
• Acelerar la transformación digital: el aprendizaje debería contribuir a una adopción más rápida de nuevas herramientas, procesos o metodologías.
• Incrementar la capacidad de innovación: las iniciativas de desarrollo deberían favorecer la generación de nuevas ideas, proyectos o mejoras operativas.

El foco deja de estar en el aprendizaje como actividad y pasa a concentrarse en el aprendizaje como habilitador de resultados. En otras palabras, el aprendizaje comienza a ser evaluado por el valor que genera y no solamente por el volumen de formación que produce.

La conexión entre aprendizaje y desempeño

Uno de los mayores desafíos consiste en establecer una relación clara entre aprendizaje y desempeño.

Durante años ambas dimensiones fueron gestionadas como procesos relativamente independientes. Por un lado, las áreas de formación diseñaban programas de capacitación. Por otro, los líderes evaluaban resultados, productividad y cumplimiento de objetivos.

Sin embargo, esta separación comienza a perder sentido. Si el propósito del aprendizaje es desarrollar capacidades que permitan mejorar el desempeño, entonces ambas conversaciones deberían estar profundamente conectadas.

La pregunta central deja de ser qué cursos necesita una persona y pasa a ser qué capacidades necesita desarrollar para alcanzar determinados resultados.

Este cambio obliga a redefinir la forma en que se identifican necesidades de aprendizaje. En lugar de partir de catálogos de contenidos disponibles, las organizaciones más avanzadas comienzan analizando los desafíos estratégicos del negocio.

De esta manera, el aprendizaje deja de ser una respuesta táctica y se transforma en una herramienta de desarrollo estratégico.

El rol de los datos y la analítica

La posibilidad de medir mejor el impacto del aprendizaje está estrechamente vinculada al crecimiento de las capacidades analíticas dentro de las organizaciones.

Hoy las empresas cuentan con una cantidad de información sin precedentes sobre desempeño, productividad, rotación, clima organizacional, experiencia del cliente y resultados de negocio. La oportunidad consiste en conectar esos datos con las iniciativas de aprendizaje.

Por ejemplo, es posible analizar si los equipos que participaron en determinados programas muestran mejoras superiores en productividad respecto de aquellos que no lo hicieron. También es factible identificar relaciones entre formación, retención de talento, velocidad de adopción tecnológica o desempeño comercial.

La analítica permite abandonar muchas de las suposiciones que históricamente rodearon al aprendizaje corporativo y comenzar a trabajar con evidencia. Esto no significa que todas las iniciativas puedan medirse con exactitud matemática.

Existen capacidades vinculadas al liderazgo, la colaboración o la innovación cuyos efectos suelen manifestarse en períodos más largos y de forma menos directa. No obstante, incluso en estos casos, la disponibilidad de datos permite construir indicadores mucho más robustos que los utilizados tradicionalmente.

El aprendizaje se convierte en una ventaja competitiva

Las organizaciones que logran vincular aprendizaje y resultados suelen obtener beneficios que van mucho más allá del desarrollo individual de sus colaboradores.

En muchos casos, la capacidad de aprendizaje se convierte en una ventaja competitiva difícil de replicar. Esto ocurre porque el aprendizaje organizacional impacta sobre múltiples dimensiones del negocio al mismo tiempo:

• Permite acelerar la adopción de nuevas tecnologías.
• Facilita la transformación de procesos.
• Mejora la capacidad de adaptación frente a cambios del mercado.
• Reduce errores operativos.
• Fortalece el liderazgo.
• Incrementa la capacidad de innovación.
• Contribuye a atraer y retener talento.

En un contexto donde las ventajas competitivas tradicionales se vuelven cada vez más efímeras, la capacidad de desarrollar nuevas capacidades con rapidez adquiere un valor extraordinario.

No es casualidad que muchas de las organizaciones más exitosas del mundo consideren al aprendizaje una inversión estratégica y no simplemente un beneficio para los colaboradores.

Indicadores que deberían importar

Si el aprendizaje busca generar impacto, entonces las métricas también deben evolucionar.

Las áreas de talento y los líderes de negocio probablemente seguirán necesitando indicadores tradicionales asociados a participación, finalización y satisfacción. Pero esos datos ya no deberían ser suficientes para evaluar el éxito de una estrategia de aprendizaje.

Cada vez resulta más importante incorporar indicadores vinculados con resultados concretos. Entre ellos:

• Velocidad de adquisición de nuevas capacidades.
• Tiempo de adopción de nuevas tecnologías o procesos.
• Productividad de equipos capacitados.
• Calidad de ejecución.
• Innovaciones implementadas.
• Movilidad interna y desarrollo de carrera.
• Retención de talento clave.
• Desempeño de líderes y equipos.
• Impacto sobre indicadores de negocio específicos.

La elección de los indicadores dependerá de cada organización y de sus prioridades estratégicas. Lo importante es que el aprendizaje deje de medirse únicamente por lo que ocurre dentro de una plataforma de formación y comience a evaluarse por lo que ocurre dentro del negocio.

El aprendizaje como generador de valor

A medida que el aprendizaje adquiere una relevancia cada vez más estratégica, también aumenta la necesidad de demostrar su contribución a los resultados organizacionales.

Las empresas ya no requieren saber únicamente cuánto aprendieron sus colaboradores. Necesitan comprender cómo ese aprendizaje mejora el desempeño, fortalece la capacidad de adaptación y contribuye a alcanzar los objetivos del negocio. El desafío no consiste en capacitar más sino en generar mayor valor.

En un entorno donde el conocimiento cambia constantemente y las capacidades se convierten en uno de los principales activos de las organizaciones, el verdadero KPI del aprendizaje es el impacto que el aprendizaje produce sobre el futuro del negocio.

El diálogo se desarrolló en el marco del anuncio de la alianza entre ATEDU y la plataforma de empleabilidad, Talentia.

Al referirse al nuevo ecosistema profesional, Ávalos consideró que uno de los principales cambios está relacionado con la velocidad con la que evolucionan los conocimientos y las capacidades que necesitan los profesionales.

“Hoy la sociedad exige de los profesionales actualización, saberes y competencias que son dinámicas y se van interrelacionando de manera compleja”, aseguró.

Esta transformación no se limita a los conocimientos técnicos. También alcanza las propias características del empleo y abre posibilidades que trascienden las modalidades tradicionales de trabajo.

“Los empleos se van transformando y también aparece la posibilidad de múltiples opciones laborales, no solo presenciales, sino virtuales o híbridas. Esto genera un nuevo ecosistema profesional que hay que entender y potenciar”, explicó Ávalos.

Para la Tecnología Educativa, comprender ese ecosistema adquiere especial relevancia. Se trata de un campo que atraviesa instituciones educativas, universidades, empresas, organizaciones sociales y espacios de educación formal y no formal, ampliando los ámbitos donde los profesionales pueden aportar sus capacidades.

Roles que existen y otros que están por crearse

El crecimiento del sector abre, además, un reto particular: hacer visibles las oportunidades y conectar a las organizaciones con perfiles especializados.

“Es un desafío para nosotros ir al encuentro al campo de la Tecnología Educativa a nivel local y global. Hay una vacancia de roles y puestos a cubrir y crearse en un futuro”, explica Ávalos.

Su mirada pone el foco no solo en las posiciones que actualmente necesitan profesionales con una formación específica en tecnología educativa, sino también en aquellas que surgirán a medida que la innovación continúe transformando la educación, la capacitación y el desarrollo de las personas.

En ese contexto, generar espacios de encuentro entre profesionales, empresas, universidades e instituciones puede contribuir a construir un mercado más conectado. Ese es, precisamente, uno de los motivos que llevó a ATEDU a avanzar en su alianza con Talentia.

“Consideramos que es una oportunidad de generar convergencia y confluencias de empresas, instituciones, Universidades y profesionales. Todo esto integrado con inteligencia artificial y demás tecnologías disruptivas, que potencian y enriquecen los vínculos de los talentos”, consideró.

Encontrar mejor el talento especializado

En mercados profesionales específicos, el desafío no siempre pasa por ampliar el volumen de candidatos u oportunidades. De igual modo, implica poder identificar con mayor precisión dónde están los perfiles adecuados y dónde existen posibilidades relevantes para ellos.

Por eso, una de las expectativas de ATEDU está puesta en aprovechar la tecnología para desarrollar conexiones más precisas dentro de su propia especialidad. “Que podamos realizar búsquedas inteligentes y precisas, ir a la búsqueda del nicho de la Tecnología Educativa, y que en ese aspecto Talentia pueda brindarnos un background único”, especificó.

La inteligencia artificial aparece así como una herramienta para acompañar el encuentro entre capacidades y oportunidades, especialmente en un sector donde los perfiles y las necesidades de las organizaciones continúan evolucionando.

Los datos como herramienta estratégica

Esta transformación genera información sobre trayectorias profesionales, competencias demandadas, nuevos roles y búsquedas laborales, que pueden aportar señales para comprender hacia dónde está evolucionando el sector.

Para Ávalos, la capacidad de aprovechar esos datos será determinante. “En este aspecto es central y estratégico, pues en un mundo de algoritmos y de plataformas, tenemos que contribuir a resolver esta brecha entre los que producen datos y quienes están en condiciones de procesarlos, analizarlos y utilizarlos para el bien común de las personas, las organizaciones y la comunidad en general”.

La cuestión, entonces, no pasa solamente por generar información, sino por desarrollar las capacidades necesarias para transformarla en conocimiento que permita tomar mejores decisiones y generar valor para la comunidad.

Construir las oportunidades que todavía no existen

La mirada de ATEDU sobre la empleabilidad no termina en conectar búsquedas existentes con profesionales. Además, incorpora la posibilidad de generar nuevos espacios de desarrollo. “Consideramos que hay oportunidades para gestionar y otras que hay que ir a buscar y construir”, aseguró su presidente.

Este enfoque abre una nueva etapa del trabajo conjunto con Talentia. Entre los próximos objetivos, Ávalos identifica la posibilidad de realizar ferias y jornadas específicas co-organizadas, además de impulsar proyectos vinculados con la aplicación de tecnologías educativas en diferentes ámbitos.

“Nuestra expectativa también es generar proyectos significativos en relación a aportar desde las tecnologías en los ambientes educativos formales y no formales, corporativo y ONGs”, añadió.

En un campo profesional que todavía está definiendo muchos de los roles que necesitará en los próximos años, el reto es acompañar la transformación, e identificar, conectar y construir las oportunidades que esa transformación está empezando a generar.

En este escenario, conectar a las personas con las oportunidades adecuadas se vuelve un desafío cada vez más relevante. Así lo entiende Jordi Batalla, fundador de Chain4Economy (C4E), una comunidad profesional que conecta talento, conocimiento y oportunidades de negocio en inteligencia artificial y Web3 entre Europa y Latinoamérica.

El desafío no está solo en generar más oportunidades, sino en construir mejores conexiones entre quienes buscan desarrollarse profesionalmente y las organizaciones que necesitan esos perfiles.

La reciente alianza entre C4E y Talentia suma un nuevo capítulo a ese objetivo, ya que permitirá complementar la comunidad y las conexiones impulsadas por C4E con tecnología orientada a gestionar y escalar la empleabilidad.

A partir de este acuerdo, conversamos con Jordi sobre cómo está cambiando el trabajo, qué oportunidades aparecen para el talento y cuál es el lugar que pueden ocupar la tecnología y los datos en esta transformación.

Si tuvieras que señalar hoy un gran desafío de la empleabilidad, ¿cuál sería?

El principal desafío es conectar el talento con oportunidades reales. Hay mucha gente preparada y muchas empresas buscando perfiles, pero muchas veces no se encuentran.

En esa búsqueda de generar mejores conexiones, ¿qué encontraron en Talentia?

Vimos que Talentia encaja muy bien con nuestra filosofía de comunidad: conectar personas, formación y empresas dentro de un mismo ecosistema, y generar oportunidades para todos.

¿Cómo se integra Talentia con los programas, servicios o iniciativas de empleabilidad que ya están desarrollando?

Complementa lo que ya hacemos en C4E. Nosotros generamos comunidad, conexiones y oportunidades, y Talentia aporta una herramienta tecnológica que permite gestionar y escalar esa empleabilidad.

¿Qué les gustaría que empiece a suceder a partir de esta alianza?

Que más personas encuentren oportunidades profesionales y que las empresas encuentren el talento que necesitan.

¿Cómo esperan que Talentia contribuya a fortalecer la vinculación con empresas y organizaciones?

Facilitando un punto de encuentro común. Queremos incorporar empresas y organizaciones de nuestro ecosistema para que esa conexión genere nuevas oportunidades para toda la comunidad.

¿Qué importancia tiene contar con datos sobre empleabilidad y trayectorias profesionales para la toma de decisiones?

Es fundamental. Los datos permiten conocer qué perfiles demanda realmente el mercado y orientar mejor tanto la formación como el talento.

¿Cuáles son sus próximos objetivos en materia de empleabilidad y cómo imaginan que puede evolucionar el trabajo conjunto con Talentia?

Queremos seguir conectando formación, talento y empresa, especialmente en tecnología, IA, Blockchain y digitalización. Con Talentia podemos hacerlo a mayor escala y construir un ecosistema compartido de oportunidades.

C4E conecta Europa y Latinoamérica. ¿La ubicación de una persona pesa menos que antes a la hora de pensar su desarrollo profesional?

Hoy el talento puede trabajar para empresas y organizaciones de cualquier país, mediante contratos por proyecto o por obra, y recibir incluso su remuneración utilizando tecnología Blockchain y stablecoins, siempre dentro del marco legal aplicable.

IA, Blockchain y digitalización son parte central de la comunidad de C4E. ¿Hacia dónde quieren llevar ese trabajo?

Queremos seguir conectando desde C4E formación, talento y empresa, especialmente en tecnología, IA, Blockchain y digitalización.

Hay mucho talento en Talentia y muchas oportunidades; nuestra tarea es conseguir que se encuentren.

La situación no es homogénea. Hay ramas industriales con realidades, mercados y niveles de exposición diferentes. Sin embargo, el contexto obliga a muchas empresas a operar con mayor cautela: postergan inversiones, revisan dotaciones, reducen turnos o buscan alternativas para sostener su actividad sin perder capacidades que podrían resultar decisivas en una eventual recuperación.

En ese escenario, Recursos Humanos ocupa un lugar estratégico, con el objetivo de ayudar a proteger el presente de la operación sin comprometer su capacidad futura de competir. En este proceso, debe acompañar a los equipos en momentos de incertidumbre, preservar conocimiento crítico y construir condiciones para que las personas puedan sostener su desempeño aun cuando el contexto externo se vuelve más complejo.

Veamos los principales retos que enfrenta la gestión del talento industrial:

1. Sostener el compromiso cuando aumenta la incertidumbre

La incertidumbre tiene efectos concretos sobre la vida cotidiana de los equipos. Cuando circulan rumores sobre cambios, suspensiones, reestructuraciones o dificultades de la empresa, la preocupación puede afectar el clima laboral, la productividad, la colaboración y la confianza en los líderes.

En plantas y entornos operativos, donde la presencialidad, los turnos y la coordinación entre áreas son fundamentales, esa tensión puede hacerse todavía más visible. Los equipos necesitan saber qué está ocurriendo, qué decisiones se están evaluando y cómo impactarán en su trabajo.

Esto no implica comunicar información que todavía no está definida ni ofrecer certezas imposibles. Implica construir una comunicación clara, consistente y respetuosa.

La ausencia de información suele ser ocupada por interpretaciones, versiones parciales y ansiedad. Por eso, en escenarios complejos, los líderes necesitan contar con mensajes alineados, criterios para responder preguntas y espacios para escuchar preocupaciones reales.

Recursos Humanos puede contribuir a que la comunicación interna no sea una reacción ante una crisis, sino una herramienta para sostener la confianza. Cuando las personas perciben que la empresa comunica con honestidad, explica las decisiones y reconoce las dificultades, es más probable que puedan transitar el contexto con mayor previsibilidad.

2. Rediseñar el rol de los mandos medios en tiempos de presión

Los supervisores, jefes de turno y responsables de planta son una pieza central en la gestión industrial. Son quienes traducen decisiones de dirección en acciones concretas, coordinan equipos, sostienen estándares de seguridad y calidad, resuelven imprevistos y reciben de primera mano las inquietudes de las personas.

En momentos de crisis, su rol se vuelve todavía más complejo. Deben mantener la operación funcionando, administrar recursos más ajustados, contener a sus equipos, explicar decisiones que no siempre comparten o conocen en profundidad y evitar que la presión afecte la seguridad o la calidad.

No obstante, muchos mandos medios fueron promovidos por su experiencia técnica y no necesariamente recibieron formación suficiente para liderar conversaciones difíciles, gestionar conflictos, dar feedback o acompañar a personas en contextos de incertidumbre.

La industria necesita revisar cómo prepara a estos líderes. No alcanza con pedirles que “bajen mensajes” o que sostengan la productividad. Deben contar con herramientas para ordenar prioridades, detectar señales de desgaste, gestionar expectativas y construir equipos confiables aun cuando las condiciones sean adversas.

En escenarios críticos, el mando medio deja de ser solamente un supervisor de tareas. Se convierte en un articulador entre la estrategia, la operación y las personas. En el sistema operativo de las empresas.

3. Preservar conocimiento cuando la experiencia se vuelve un activo escaso

La industria depende del conocimiento acumulado. Muchas soluciones operativas no provienen exclusivamente de procedimientos formales, sino de la experiencia de quienes conocen una máquina, una línea de producción, una materia prima o una dinámica específica de planta.

Cuando la actividad cae y las empresas deben revisar sus estructuras, ese conocimiento puede quedar expuesto. Una desvinculación, una jubilación no planificada o la salida de un perfil técnico pueden generar vacíos difíciles de cubrir, especialmente si la empresa no cuenta con mecanismos de transferencia.

La gestión del conocimiento adquiere entonces una relevancia central. Programas de mentoring, formación de reemplazos, rotación planificada, documentación de procesos críticos y espacios de aprendizaje entre perfiles senior y junior pueden ayudar a reducir esa vulnerabilidad.

En tiempos de ajustes, la capacitación suele aparecer entre los primeros presupuestos que se revisan. Sin embargo, reducir indiscriminadamente la inversión en formación puede profundizar el problema. La clave es priorizar: identificar qué capacidades son críticas para la continuidad de la operación y concentrar allí los esfuerzos.

No se trata de sostener todos los programas por igual, sino de evitar que la necesidad de eficiencia termine debilitando las competencias que la empresa necesitará para atravesar la crisis y aprovechar una futura recuperación.

4. Atraer talento técnico en un mercado que sigue siendo desafiante

Aun en contextos de menor actividad, muchas empresas industriales continúan enfrentando dificultades para cubrir posiciones técnicas específicas. Mantenimiento, automatización, electromecánica, calidad, seguridad, logística, procesos e ingeniería, requieren perfiles que combinan formación, experiencia y conocimiento práctico.

La paradoja es clara: algunas compañías pueden estar revisando su estructura general y, al mismo tiempo, tener vacantes críticas que no logran cubrir. Esto obliga a abandonar una mirada uniforme sobre el talento.

No todas las búsquedas deben tratarse de la misma manera. Mientras algunas posiciones pueden resolverse con movilidad interna, rediseño de tareas o automatización, otras requieren una estrategia específica de atracción, formación y sucesión.

La escasez de perfiles técnicos también plantea un desafío de largo plazo. Las empresas no pueden depender únicamente del mercado para encontrar capacidades que son cada vez más especializadas. Necesitan fortalecer vínculos con escuelas técnicas, universidades, centros de formación y comunidades locales, además de generar trayectorias internas que permitan desarrollar talento desde etapas tempranas.

En un contexto crítico, construir capacidades propias puede ser más relevante que competir exclusivamente por perfiles ya formados.

5. Integrar tecnología sin profundizar la incertidumbre

La digitalización industrial continúa avanzando incluso en escenarios de presión. Automatización, sistemas de planificación, trazabilidad, sensores, mantenimiento predictivo, analítica de datos e inteligencia artificial, están transformando procesos y redefiniendo tareas.

Incorporar tecnología en un momento de incertidumbre puede generar preocupaciones adicionales si no se gestiona con claridad. Cuando las personas interpretan que una herramienta llega únicamente para reducir puestos o intensificar controles, es probable que aparezcan resistencias.

El desafío del área de Recursos Humanos es acompañar la transformación desde una perspectiva de capacidades. Explicar qué problemas se buscan resolver, qué tareas cambiarán, qué habilidades serán necesarias y cómo se acompañará a los equipos durante la transición.

La tecnología puede ayudar a mejorar la eficiencia, seguridad y calidad. Pero su impacto dependerá de la capacidad de las personas para adoptarla, interpretarla y utilizarla en situaciones reales de trabajo.

Por eso, la conversación no debería limitarse a qué procesos se automatizarán, sino también incluir qué nuevos roles aparecerán, cómo se reconvertirán determinadas tareas y qué oportunidades de aprendizaje tendrán quienes hoy ocupan posiciones que están cambiando.

6. Cuidar la experiencia del colaborador en una operación bajo presión

En la industria, la experiencia del colaborador se construye en elementos muy concretos: la organización de los turnos, la seguridad, el acceso a herramientas, la calidad de los espacios de descanso, la comunicación con los supervisores, la previsibilidad de los horarios, el transporte, la alimentación y la percepción de trato justo.

En un escenario de presión, estos aspectos pueden deteriorarse rápidamente si la empresa concentra toda su atención en la reducción de costos. Descuidarlos puede generar efectos que terminan impactando también en la operación: mayor ausentismo, rotación, conflictos, desmotivación, errores o menor compromiso.

La experiencia no depende de replicar modelos de flexibilidad propios de otros sectores. Depende de comprender qué necesitan las personas para trabajar de manera segura, respetuosa y sostenible dentro de las condiciones reales de una planta o centro operativo.

Escuchar a los equipos es especialmente importante en este contexto, aunque debe estar acompañado de capacidad de respuesta. Relevar preocupaciones sin dar seguimiento puede aumentar la distancia entre la empresa y sus colaboradores.

Incluso cuando no es posible resolver todas las demandas, explicar los límites, priorizar mejoras y mostrar avances concretos ayuda a sostener la confianza.

7. Integrar seguridad, bienestar y productividad en una misma agenda

En contextos críticos, la presión por cumplir objetivos puede llevar a priorizar el resultado inmediato por encima de condiciones necesarias para sostenerlo. Esa lógica es riesgosa en cualquier actividad, especialmente en la industria.

La fatiga, la falta de capacitación, la sobrecarga de tareas y la presión constante pueden afectar la seguridad, la calidad y la productividad. Un equipo que trabaja con recursos limitados, alta exigencia y baja previsibilidad tiene mayores dificultades para anticipar errores o responder adecuadamente ante situaciones complejas.

Por ese motivo, la seguridad, el bienestar y la productividad no deberían gestionarse como agendas separadas. Son dimensiones que se retroalimentan.

Recursos Humanos puede aportar una mirada más amplia sobre los indicadores de gestión. Además de medir cobertura de vacantes, ausentismo o rotación, es necesario observar señales de desgaste, capacidad de los líderes, niveles de formación, incidentes recurrentes y condiciones de trabajo.

La productividad sostenible no se construye exigiendo más de equipos ya exigidos. Se construye con prioridades claras, procesos consistentes, capacitación relevante y liderazgos capaces de cuidar a las personas mientras sostienen la operación.

8. Preparar la recuperación mientras se atraviesa la crisis

Uno de los riesgos más frecuentes en escenarios de contracción es tomar decisiones exclusivamente desde la urgencia. La necesidad de reducir costos puede llevar a desarmar equipos, interrumpir programas de formación o postergar inversiones en capacidades que luego serán difíciles de reconstruir.

El área de Recursos Humanos tiene un rol importante en evitar que la gestión de corto plazo comprometa el futuro. Esto requiere trabajar junto con las áreas de negocio para identificar escenarios posibles, definir roles críticos, revisar planes de sucesión y anticipar qué capacidades serán necesarias si la actividad se recupera.

La planificación de talento no pierde relevancia durante una crisis. Se vuelve más necesaria. Permite decidir dónde conviene sostener una posición, dónde es posible reorganizar tareas, qué conocimientos deben preservarse y qué perfiles será necesario desarrollar o incorporar más adelante.

Las empresas industriales que atraviesan mejor los ciclos complejos no son necesariamente las que evitan tomar decisiones difíciles. Son las que logran tomarlas con criterio, diferenciando entre costos que pueden ajustarse y capacidades que deben protegerse.

Una agenda de recursos humanos para sostener la industria

La situación crítica que atraviesan varios sectores industriales argentinos exige una gestión de personas más integrada al negocio. El área de Recursos Humanos debe participar en las decisiones que afectan la continuidad operativa, la estructura, el liderazgo y la capacidad futura de la empresa.

En este contexto, atraer talento sigue siendo importante, pero ya no alcanza. Hoy es necesario preservar conocimiento, acompañar a los mandos medios, sostener la confianza de los equipos y evitar que la urgencia debilite aquello que permite producir con calidad, seguridad y eficiencia.

La industria necesita organizaciones capaces de adaptarse sin perder su base operativa, formada por personas que conocen los procesos, resuelven problemas, sostienen estándares y hacen posible que la actividad continúe aun en momentos difíciles.

Gestionar recursos humanos en la industria argentina en la actualidad implica, en definitiva, cuidar el presente sin renunciar a la capacidad de construir futuro.

La explicación no necesariamente reside en la calidad del curso o en la capacidad de las personas. Muchas veces se encuentra en las razones por las cuales cada organización desarrolla su propia manera de aprender.

Así como las empresas tienen una cultura, una forma de tomar decisiones y determinados estilos de liderazgo, también construyen —consciente o inconscientemente— una cultura de aprendizaje. Hay compañías que aprenden experimentando, otras necesitan primero comprender y sistematizar, y algunas comparten rápidamente el conocimiento.

Cuando una organización busca desarrollar nuevas capacidades, copiar el modelo de aprendizaje de otra empresa rara vez alcanza. El desafío es entender qué condiciones necesita para que el conocimiento circule, se incorpore y termine transformando la manera de trabajar.

La cultura también determina cómo se aprende

El aprendizaje organizacional no sucede por fuera de la cultura. Está atravesado por ella. En una empresa donde equivocarse tiene un costo elevado, por ejemplo, es probable que las personas sean más cautelosas a la hora de experimentar con una habilidad nueva. En otra compañía donde probar, revisar y volver a intentar, forma parte de la dinámica cotidiana, el aprendizaje puede producirse de una manera mucho más exploratoria.

Lo mismo ocurre con el aprendizaje colaborativo. Hay organizaciones donde compartir conocimiento entre áreas es parte natural del trabajo y otras donde la información circula principalmente dentro de cada equipo.

Incluso el liderazgo influye. Un manager que pregunta qué aprendió su equipo, habilita espacios para probar nuevas herramientas y comparte sus propios aprendizajes envía un mensaje diferente de aquel que considera la capacitación como una actividad separada del trabajo.

La forma en que una empresa aprende es, en gran medida, un reflejo de la forma en que trabaja.

No todas las organizaciones necesitan el mismo modelo de aprendizaje

La lógica de identificar una necesidad, diseñar un curso, convocar participantes y medir asistencia o finalización, si bien sigue teniendo utilidad, resulta insuficiente frente a contextos donde las habilidades necesarias cambian cada vez más rápido.

Hoy una organización puede necesitar desarrollar conocimientos técnicos específicos, mientras otra busca fortalecer capacidades de liderazgo, pensamiento crítico, comunicación, gestión de proyectos o uso de inteligencia artificial. Incluso dentro de una misma compañía, diferentes áreas pueden necesitar aprender de maneras distintas.

Un equipo tecnológico puede beneficiarse especialmente de laboratorios y experimentación. Un equipo comercial puede aprender mejor trabajando sobre situaciones reales con clientes. Mientras quienes ocupan posiciones de liderazgo pueden necesitar espacios de intercambio, práctica y reflexión sobre experiencias concretas.

La pregunta deja entonces de ser únicamente “¿qué capacitación necesitamos?” para incorporar otra igual de importante: “¿cómo necesitamos aprender?”

El contexto de trabajo modifica el aprendizaje

También existen diferencias relacionadas con la propia estructura de cada organización. No aprende de la misma manera una compañía con miles de colaboradores distribuidos en diferentes países que una empresa de 150 personas trabajando mayormente en un mismo lugar. Tampoco enfrenta los mismos desafíos una organización industrial con personal operativo, una compañía tecnológica con equipos híbridos o una empresa de servicios profesionales.

Horarios, roles, disponibilidad, acceso a dispositivos, dispersión geográfica, madurez digital y características del negocio condicionan la experiencia. Por eso, una estrategia efectiva de aprendizaje necesita integrarse a la realidad laboral y no competir permanentemente contra ella.

Si para aprender una persona debe encontrar tiempo fuera de su jornada, navegar plataformas complejas o consumir contenidos alejados de sus problemas cotidianos, la capacitación corre el riesgo de convertirse en una obligación más.

En cambio, cuando el aprendizaje aparece en el momento adecuado y conectado con una necesidad concreta, las posibilidades de aplicación aumentan.

Aprender no es solamente consumir contenido

Uno de los cambios más relevantes consiste en dejar de pensar el aprendizaje como sinónimo de cursos. Más aún, teniendo en cuenta que las personas también aprenden resolviendo problemas, observando a colegas, participando de proyectos, recibiendo feedback, utilizando nuevas herramientas, conversando con especialistas y enfrentándose a situaciones que las obligan a desarrollar capacidades diferentes.

Una organización puede contar con un amplio catálogo de contenidos y, aún así, tener dificultades para aprender. La diferencia está en qué ocurre después del contenido, para lo cuál es fundamental preguntarse si existe la posibilidad de aplicar lo aprendido, si los líderes acompañan ese proceso, si hay espacios para compartir experiencias, si se reconocen los nuevos conocimientos y si las personas pueden aprender unas de otras.

Cuando estas condiciones aparecen, el aprendizaje deja de ser un evento y comienza a formar parte de la operación cotidiana.

La velocidad también es diferente

No todas las organizaciones pueden —ni necesitan— aprender al mismo ritmo. En determinados sectores, la incorporación rápida de nuevas capacidades puede convertirse en una ventaja competitiva. En otros, existen procesos regulatorios, tecnológicos u operativos que requieren ciclos de adopción más largos. Incluso dentro de una misma empresa pueden convivir distintas velocidades.

La llegada de la inteligencia artificial lo muestra con claridad. Algunos equipos pueden experimentar inmediatamente con nuevas herramientas, otros necesitan primero definir criterios de seguridad, gobernanza, privacidad o calidad antes de incorporarlas a procesos críticos. Pretender que toda la organización avance exactamente al mismo ritmo puede generar frustración o resistencia.

Una estrategia madura de aprendizaje reconoce esas diferencias y construye recorridos capaces de acompañarlas.

El verdadero desafío: construir una organización que pueda aprender

El objetivo de una estrategia de formación no debería limitarse a acumular horas de capacitación o aumentar la cantidad de cursos completados. Lo que debería determinar una organización es si está desarrollando una mayor capacidad para aprender y adaptarse.

Eso implica observar diferentes indicadores. No solamente cuántas personas participaron de una capacitación, sino cuánto conocimiento llegó al trabajo cotidiano, qué habilidades nuevas comenzaron a utilizarse, qué problemas pueden resolverse ahora de otra manera, qué conocimiento circula entre equipos y qué capacidades será necesario desarrollar después.

Desde esta perspectiva, aprender se convierte en una capacidad organizacional, y probablemente allí esté una de las mayores diferencias entre las empresas que simplemente capacitan y aquellas que construyen una verdadera cultura de aprendizaje.

No existe una única fórmula

Buscar mejores prácticas sigue siendo valioso. Conocer qué hacen otras compañías también. Pero trasladar directamente un modelo de aprendizaje sin considerar la propia cultura puede producir el efecto contrario al esperado, ya que la estrategia más sofisticada no necesariamente es la más adecuada.

Una empresa necesita entender cómo trabajan sus personas, qué las motiva a aprender, qué obstáculos encuentran, cómo circula el conocimiento, qué rol cumplen sus líderes y qué capacidades necesita desarrollar para ejecutar su estrategia.

A partir de allí puede diseñar su propio ecosistema: formación estructurada, experiencias prácticas, mentorías, comunidades, contenidos breves, aprendizaje entre pares, proyectos desafiantes o combinaciones de estos formatos.

Cada empresa aprende de una manera diferente porque también son diversas su cultura, su historia, su negocio, sus personas y su forma de organizar el trabajo, las cuales construyen un contexto particular.

El desafío, entonces, no es encontrar la fórmula universal para aprender, sino descubrir cuál es la forma de aprender que mejor permite a esa organización evolucionar.

Foto de Scott Graham en Unsplash

El acuerdo lleva la firma del presidente de la UNLP, Dr. Arq. Fernando Tauber y de Juan Acevedo Miño, CEO de Talentia. Del encuentro también participó la secretaria de Relaciones Institucionales, Sandra Paris, y el director de Vinculación con el Graduado de la UNLP, Ignacio Ignisci.

El convenio entre la UNLP a través del Programa de Oportunidades Laborales (ProLab) y Talentia representa una estrategia de modernización de la política de empleabilidad de la universidad platense, orientada a mejorar la inserción laboral de sus estudiantes y graduados.

Su principal valor reside en combinar la experiencia institucional del ProLab con las herramientas tecnológicas e inteligencia artificial de Talentia, generando una plataforma que conecta de forma más eficiente a los egresados con las empresas.

Además, fortalece la relación entre la universidad y el sector productivo al facilitar el acceso de las empresas al talento formado por la UNLP, promover procesos de selección más ágiles y ofrecer información estratégica sobre el impacto de las acciones de empleabilidad.

En conjunto, esta alianza busca consolidar un ecosistema donde universidad, graduados y empresas trabajen de manera integrada para mejorar las oportunidades de empleo y el desarrollo profesional de los egresados.

“Somos una Universidad que ha transformado un universo muy amplio y complejo, y esta herramienta nos permitirá explorar caminos alternativos para profundizar ese trabajo. El Prolab tiene 30 años de trayectoria y, actualmente, la UNLP cuenta con alrededor de 7.200 graduados por año. Realizamos un seguimiento de cada uno de ellos para conocer sus trayectorias, saber si están empleados o desempleados y, fundamentalmente, qué aportes realizan desde sus respectivas disciplinas”, señaló el presidente de la UNLP.

“Nuestra política es conocer qué pasa con nuestros graduados una vez que egresan y cuál es su contribución a la sociedad. Por eso nos interesa especialmente esta experiencia. El sentido de una Universidad no se agota en producir graduados: tiene que ver con generar oportunidades de desarrollo y contribuir a la producción de riqueza basada en el conocimiento”, subrayó Tauber.

Por su parte, Juan Acevedo Miño destacó que la Universidad Nacional de La Plata cuenta con una trayectoria muy valiosa en el acompañamiento de sus graduados a través del ProLab. “Esta alianza busca potenciar ese trabajo con tecnología, aportando nuevas capacidades para gestionar la empleabilidad, conocer mejor las trayectorias profesionales y generar conexiones más relevantes con organizaciones”, explicó.

A su turno, Ignisci destacó que uno de los principales aportes del convenio será la incorporación de una plataforma tecnológica que tiene a la inteligencia artificial como herramienta central y al ser humano como eje.

La plataforma permitirá fortalecer la vinculación de los graduados con empresas nacionales e internacionales. A partir de una red de más de 600 empresas, facilitará el encuentro entre los perfiles profesionales y las oportunidades laborales, generando un mejor “matching” entre graduados y organizaciones.

A su vez, la herramienta permitirá nutrir y sistematizar información estadística sobre los graduados y sus trayectorias, aportando datos que permitan conocer mejor las demandas del mercado laboral y favorecer mayores oportunidades de inserción profesional.

“Talentia nace con la idea de transformar la manera en que las universidades acompañan el paso entre la formación académica y el mundo profesional. Cuando una institución logra integrar sus datos, su comunidad y sus vínculos con el sector productivo, puede multiplicar las oportunidades para sus estudiantes y graduados”, concluyó Juan Acevedo Miño.