Quieren usar IA: qué significa que falten conocimientos

El 82,4 % necesita una frase completa

El 82,4 % llama la atención. Pero decir que ocho de cada diez empresas españolas no saben trabajar con IA cambiaría el significado de la estadística. Eurostat pregunta por los motivos para no utilizarla dentro de un grupo concreto: empresas que consideraron alguna de estas tecnologías y todavía no las usan. Ahí, y solo ahí, el 82,4 % señala falta de conocimientos o experiencia.

La encuesta comprende empresas con diez o más personas ocupadas en las actividades cubiertas. No describe al conjunto de autónomos y pequeños negocios, ni examina a cada trabajador. Es una respuesta empresarial sobre una dificultad percibida. No permite saber si falta una habilidad técnica, una forma de organizar el trabajo o una persona que ayude a entender las opciones.

Eso hace que el dato sea más interesante, no menos. Hay empresas que ya han pensado en IA y aun así encuentran difícil dar el paso. Antes de ofrecerles otro curso o una nueva herramienta, conviene preguntar qué trabajo intentaron resolver y qué les faltó para avanzar.

España y la UE no describen el mismo conjunto de dificultades

En el grupo que consideró IA y no la utiliza, la falta de conocimientos alcanza el 82,4 % en España y el 70,3 % en la referencia europea. En privacidad, las respuestas son mucho más próximas: 53,8 % y 52,7 %. En dudas sobre las consecuencias legales, España registra un 51,3 % y la UE un 53,6 %. No hay una única distancia entre España y Europa: depende de la pregunta.

El gráfico conserva estas tres comparaciones porque separan problemas distintos. Aprender a pedir un resumen no resuelve por sí solo qué documentos pueden usarse. Tener acceso a una herramienta tampoco aclara quién comprueba una respuesta antes de enviarla a un cliente. Son cuestiones que pueden coexistir en un mismo proyecto.

Por eso no conviene interpretar la falta de conocimientos como una demanda automática de formación general. La pregunta útil es más concreta: ¿qué debería saber hacer el equipo, qué información tendría que manejar y qué decisiones necesitarían una comprobación? Esa descripción permite distinguir aprendizaje, revisión de una propuesta y ayuda especializada.

Ocho motivos, no ocho alternativas excluyentes

Los conocimientos son el motivo más señalado por las empresas españolas de este grupo. Después aparecen privacidad, dudas legales, disponibilidad o calidad de los datos y coste. La tabla permite leer también incompatibilidad con los sistemas existentes, consideraciones éticas y falta de utilidad para la empresa. No basta con mirar la barra más alta y olvidar las demás.

Las respuestas son múltiples. Una misma empresa podía declarar varios motivos; sus porcentajes no deben sumarse como si repartieran un único problema. Tampoco conocemos, a partir de esta tabla, qué combinaciones eligió cada empresa. No podemos afirmar que todas las que señalan coste también señalan falta de conocimientos.

La lectura práctica es revisar las condiciones de la tarea. Si la información está incompleta, una formación sobre la herramienta puede mejorar su uso y dejar intacto el problema de los datos. Si hay dudas sobre permisos, el equipo necesita resolverlas antes de incorporar documentos reales a una solución. El aprendizaje debe responder al trabajo que se quiere hacer.

Empresas 10+ que consideraron IA y no la usan. Respuestas múltiples; no suman 100 %.

Quién se planteó usar IA cambia la interpretación

Hay otra pregunta distinta: entre las empresas que no utilizan IA, ¿cuántas se plantearon hacerlo? España registra un 14,0 %, Dinamarca un 28,0 % y Polonia un 4,3 %. El grupo sobre el que se preguntan las barreras no tiene el mismo peso en todos los países.

Dinamarca señala falta de conocimientos en un porcentaje muy parecido al español dentro de ese grupo, aunque su adopción total es mucho mayor, como vimos en el primer artículo. Eso no demuestra que la formación sea irrelevante. Muestra que dos economías con niveles distintos de uso pueden compartir una dificultad entre quienes aún no han dado el paso.

No multiplicamos estos porcentajes para calcular un supuesto número de empresas que necesita un curso. Son indicadores publicados con poblaciones distintas, y los agregados no describen necesidades individuales. Francia aparece como s/d cuando no hay datos disponibles para estos indicadores. Una ausencia de información nunca se trata como cero.

La segunda columna usa empresas sin IA; la tercera, quienes consideraron IA y no la usan. s/d: sin dato. No se multiplican ni se comparan como la misma población.

Empieza por una tarea que el equipo deba saber resolver

Imagina un equipo que recibe consultas por correo. Decir que necesita aprender IA deja abiertas casi todas las decisiones. La necesidad se entiende mejor si explicamos que debe localizar información vigente, preparar una respuesta, detectar cuándo faltan datos y saber cuándo pedir ayuda antes de enviarla. Este es un ejemplo de trabajo, no un resultado observado de un cliente.

Una persona puede redactar bien y necesitar práctica para comprobar referencias. Otra puede conocer el proceso y necesitar ayuda para decidir qué información debe llegar a la herramienta. Quien mantiene la integración necesita habilidades diferentes de quien revisa la respuesta. No hace falta convertir a todo el equipo en desarrolladores para definir esas responsabilidades.

Una formación útil tendría que trabajar con tareas y ejemplos pertinentes, incluidos casos en los que la respuesta propuesta es incorrecta o insuficiente. El objetivo no es repetir una lista de instrucciones, sino reconocer qué se puede aceptar, qué se debe corregir y qué requiere una decisión de alguien responsable.

Cómo comparar dos propuestas de formación

Dos programas pueden mencionar las mismas herramientas y preparar al equipo para trabajos muy distintos. Para compararlos, pide ejemplos de las tareas que se practicarán, qué información se utilizará y cómo se revisará una respuesta incorrecta. El nombre de la herramienta no explica por sí solo qué aprenderá a hacer la persona.

También interesa saber qué ocurre después de la sesión: si el equipo podrá repetir la tarea con otros casos, dónde quedarán las referencias y a quién recurrirá cuando aparezca una excepción. La comprobación debe centrarse en una habilidad pertinente al trabajo, no en una nota global sobre la persona ni en una promesa de desempeño futuro.

Si una propuesta combina formación e implantación, conviene distinguir qué se entrega en cada parte. Aprender a revisar información y desarrollar una integración son trabajos diferentes. Aclarar responsables y entregables permite estudiar si el programa responde a la necesidad, en vez de elegir por el número de herramientas, horas o palabras técnicas del temario.

Aprender, incorporar a alguien o buscar ayuda fuera

La falta de conocimientos puede resolverse de distintas maneras. Si una tarea es recurrente y el equipo ya conoce sus condiciones, puede tener sentido aprender a hacerla mejor. Si exige un trabajo técnico continuo que nadie puede asumir, quizá haga falta un profesional. Si el encargo está delimitado y requiere una especialidad concreta, puede ser más adecuado un proveedor.

No hay una elección automática a partir de la estadística. La frecuencia, los datos disponibles, la responsabilidad de mantener la solución y la posibilidad de comprobarla cambian lo que conviene pedir. Una propuesta debe explicar quién hará cada parte y cómo sabremos si responde a la necesidad.

Antes de comprar formación, escribe una tarea, una dificultad y una forma de comprobar la mejora. Esa pequeña descripción da una conversación mucho más útil que pedir un curso de IA para todos. Permite estudiar qué debe aprender el equipo y qué ayuda podría necesitar, sin dar por hecho una contratación o una herramienta concreta.