Formar a un equipo para usar ChatGPT, Microsoft Copilot u otra herramienta de IA suele empezar con tareas conocidas: resumir un correo, completar un registro de CRM o clasificar una incidencia. El problema aparece cuando, para hacer el ejercicio más realista, se copia una conversación real, una exportación interna o un documento de cliente. La práctica deja entonces de ser solo una actividad formativa y pasa a depender de datos, permisos y configuraciones que quizá no se han revisado para ese fi
La alternativa es crear un banco de pruebas formativo: casos completamente ficticios que reproducen la estructura, el lenguaje y las decisiones de cada puesto sin reutilizar información reconocible de la organización. Así, la formación de IA por perfiles puede comprobar algo más importante que la soltura al redactar prompts: si cada persona sabe detectar límites, pedir aclaraciones, revisar una salida y frenar una acción cuando faltan datos.
El error de practicar con información real “solo para probar”
Un correo real puede contener datos personales, información confidencial, referencias comerciales o contexto que no resulta evidente a primera vista. La Agencia Española de Protección de Datos recomienda no introducir en herramientas de IA información confidencial de la organización, de las personas trabajadoras o de la clientela, y recuerda que el tratamiento puede involucrar también metadatos además del texto introducido. Para una sesión de aprendizaje, conviene partir de material inventado desde el origen, no de documentos parcialmente ocultos. [4]
También es importante separar la formación de la operación. Una práctica busca observar cómo responde una persona ante una tarea delimitada; no debería convertirse en una autorización implícita para actualizar sistemas, enviar comunicaciones o alimentar automatizaciones. En entornos de Microsoft Copilot, las respuestas se basan en los permisos existentes del usuario. Por eso, enseñar a usar la herramienta no sustituye revisar qué contenido está compartido ni quién puede acceder a él. [5]
Cómo diseñar una muestra ficticia que se parezca al trabajo
Una buena muestra imita la tarea, no los datos reales. Puede conservar columnas, tipos de incidencia, pasos de un proceso y vocabulario habitual, pero debe usar nombres, empresas, productos, importes, fechas, direcciones e identificadores inventados. Si un dato permite reconocer a una persona, una operación o una fuente interna, no es una muestra adecuada para un ejercicio general de formación.
Cada caso debe contener fricción deliberada. Incluya como mínimo un dato ambiguo, uno ausente y uno contradictorio. El objetivo no es que la IA encuentre una respuesta elegante a toda costa, sino comprobar si quien participa diferencia un hecho de una suposición y sabe detenerse. Por ejemplo, una fecha de entrega puede no coincidir con la indicada en un pedido; la respuesta válida debe señalar la discrepancia, no elegir una fecha sin justificarla.
- Defina el perfil: ventas, administración, operaciones, soporte, dirección o IT.
- Describa una única tarea observable y un resultado esperado.
- Indique qué datos ficticios pueden utilizarse y qué información falta a propósito.
La plantilla mínima de un caso y tres ejercicios
La plantilla puede ser sencilla: perfil destinatario, objetivo, material ficticio, instrucciones, formato de salida, información conflictiva, motivos de escalado y criterios de revisión. Añada una versión del caso para poder comparar ejercicios similares a lo largo del tiempo. NIST plantea la gestión del riesgo de IA como actividades de gobierno, contextualización, medición y gestión, e incluye la definición del alcance, las competencias de quienes operan el sistema y la supervisión humana como elementos relevantes. [2]
Ejemplo hipotético para ventas: entregue una conversación inventada con un cliente y pida un borrador de actualización de CRM. La persona debe separar los campos confirmados de los pendientes de validación. Ejemplo hipotético para administración: use tres pedidos simulados donde referencia, fecha y cantidad no encajan; el resultado debe registrar la excepción. Ejemplo hipotético para soporte: presente incidencias ficticias y solicite una tabla de prioridad que indique qué evidencia falta antes de proponer una acción.
- No evalúe solo si la respuesta está bien escrita.
- Pida que se indiquen hechos, supuestos, dudas y siguiente revisión humana.
- Evite que el ejercicio incluya envíos, cambios o acciones reales.
Evaluar la revisión humana, no solo el prompt
Una rúbrica útil observa conductas verificables: si la persona identifica contradicciones, conserva el formato solicitado, evita inventar campos, distingue propuestas de hechos y escala una decisión cuando corresponde. También puede pedir que identifique la fuente ficticia de cada dato relevante. Esto evita confundir una respuesta fluida con una respuesta apta para entrar en un CRM, un correo o un flujo automatizado.
Las pruebas deberían realizarse antes de ampliar un uso y continuar durante la operación, comparando resultados con referencias y documentando lo observado. El marco de NIST indica que medir incluye evaluar sistemas de IA y registrar resultados que ayuden a gestionar los riesgos identificados. En formación, esto se traduce en conservar solo las evidencias necesarias: tarea asignada, versión del caso, respuesta, corrección y necesidad de refuerzo. [3]
Pasar de la simulación a una prueba interna controlada
Superar ejercicios ficticios no demuestra una competencia permanente ni autoriza automatizaciones sin revisión. Si la empresa decide probar un caso interno, el paso siguiente debe ser gradual: alcance reducido, información expresamente autorizada, permisos revisados, responsable de validación y un criterio claro para detener el piloto. La revisión debe considerar tanto la salida de la IA como la calidad y exposición del material de partida.
Las capacidades disponibles pueden cambiar según licencias, servicios conectados, retención de datos y configuración del espacio de trabajo. En el caso de ChatGPT para entornos de trabajo, los controles administrativos y el comportamiento de archivos o conectores dependen de la configuración aplicable. Antes de convertir una práctica en un proceso habitual, conviene confirmar estos límites con las personas responsables del entorno técnico y de la información. [1]
- Empiece por una tarea con impacto limitado y una salida revisable.
- Establezca quién valida el resultado y dónde se registra la corrección.
- Use los fallos observados para ajustar la formación, los datos de prueba o los controles.
Preguntas frecuentes
¿Por qué no basta con anonimizar un documento real para formar al equipo?
Ocultar algunos campos puede no eliminar referencias, contexto o metadatos que hagan reconocible la información. Crear un caso totalmente ficticio permite practicar la misma tarea con una separación más clara entre aprendizaje y operación.
¿Qué se debe puntuar en una formación práctica de IA?
Además de la calidad del texto, conviene evaluar si la persona detecta datos ausentes o contradictorios, respeta el formato, diferencia hechos de supuestos, evita inventar información y solicita revisión humana cuando procede.
¿Puede una empresa pasar directamente de un curso a automatizar una tarea?
No es recomendable asumirlo. La formación ayuda a observar habilidades en casos definidos, pero una automatización requiere valorar por separado el alcance, los permisos, la calidad de los datos, la validación humana y los límites operativos.