En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Aprendizaje en el lugar de trabajo — el uso de la IA para el desarrollo de la fuerza laboral, el aprendizaje corporativo y la adquisición de habilidades profesionales. La formación profesional extiende la IA en la educación más allá de la escolarización formal hacia contextos de trabajo y de aprendizaje a lo largo de la vida.

Preguntas para reflexionar

  • Piense en una habilidad que aprendió en el trabajo y no en un aula. ¿Qué hizo eficaz ese aprendizaje en el lugar de trabajo, y cómo podría un entrenador de IA replicarlo o mejorarlo?
  • El marco de niveles de Preparación para la Fuerza Laboral (preparación para la carrera profesional) sugiere que las etapas de competencia más altas están «condicionadas por la experiencia integrada en la industria y no por los cursos». ¿Qué implica eso para cómo deberíamos formar a las personas, y para los límites de la simulación con IA?
  • Los pacientes virtuales y los simuladores de formación permiten a los profesionales practicar de forma segura. ¿Qué tipos de juicio y de habilidades interpersonales podría costarle capturar a un simulador, por muy realista que sea?
  • El «problema del doble tren» es la tensión entre unas habilidades de IA que cambian rápidamente y el ritmo más lento de la política y el diseño curricular. Si pudiera elegir competencias duraderas que priorizar hoy para quienes aprenden, ¿cuáles serían?
  • Quienes aprenden siendo adultos compaginan trabajo y estudio, a menudo a través de pantallas. ¿Cómo podría la formación profesional impulsada por IA facilitar y a la vez complicar ese equilibrio, sobre todo en lo relativo a los datos, la confianza y el tiempo?

Introducción

La IA en la formación profesional

Wang et al. (2026) añaden una lección sobre la política de entrenamiento: desvanecer la ayuda en función de la competencia estimada del estudiantado recortó el tiempo por vuelta en el simulador un 27,9% (p = 0,005) y los fallos en 3,52 por vuelta, mientras que el desvanecimiento basado en reglas con un calendario fijo no produjo ningún cambio fiable en el tiempo por vuelta.

  • Un ensayo voluntario solo de texto no movió nada. Se ofreció un paciente GPT-4o a 201 estudiantes de medicina de primer año antes de su primera clase con pacientes estandarizados; 49 lo usaron, y el nerviosismo, la preparación, la autoeficacia y la competencia autopercibida no difirieron de los 84 controles. 6 de 19 no usuarios que dieron una razón citaron problemas técnicos o de acceso (Jongkind et al. (2026)).

  • El ensayo de empatía se transfiere de forma desigual. Una única conversación con GPT-4o guiada por un rol elevó la competencia comunicativa autoevaluada de 162 estudiantes de medicina en d = 0,58, sin grupo de control (Müller et al. (2026)), y una revisión de 17 estudios encontró ganancias de confianza mucho más frecuentes que evidencia de empatía en sí (Ismail y Zafira (2026)). empatía reúne esa evidencia y el problema de medición que la acompaña.

  • Integración con el aprendizaje a lo largo de la vida: el aprendizaje a lo largo de la vida y el aprendizaje de personas adultas conectan la formación profesional con la educación continua, y son objeto de investigación.

  • Agentes diseñados para deliberar en lugar de responder. Cowhitt y Gibson (2026) diseñan agentes instruccionales para el aprendizaje profesional del profesorado que retienen la respuesta y presionan al docente para que justifique una decisión, a partir de 33 códigos de deliberación agrupados en 8 grupos.

  • Sector público: la adopción de la IA en el sector público examina la formación en contextos gubernamentales.

  • Marcos de preparación para la fuerza laboral: Smith et al. proponen un marco de Niveles de Preparación para la Fuerza Laboral (WRL) que adapta la escala de Niveles de Preparación Tecnológica a nueve etapas de competencia puntuadas en cuatro pilares (alfabetización digital y en IA, fluidez ciberfísica, colaboración persona-máquina y toma de decisiones basada en datos), bajo una regla de «ningún pilar débil». La evidencia de proyectos finales de fabricación inteligente muestra que las etapas de preparación más altas están condicionadas por la experiencia integrada en la industria y no por los cursos, lo que apunta al aprendizaje integrado en el trabajo como algo esencial para la formación profesional en IA.

  • Las prioridades del profesorado y de las empresas divergen. Una encuesta a 500 instructores estadounidenses y un panel de empleadores coincidieron en la importancia de solo una de 26 habilidades de IA —establecer expectativas realistas para el trabajo aumentado con IA— y solo tres de las 26 eran enseñadas por la mitad o más de los instructores (Fried (2026)). Un programa de seis semanas apoyado por IA con 105 docentes de química se orientó al lado investigador de la pericia profesional y no a la fluidez con herramientas. La competencia investigadora correlacionó con el monitoreo socioemocional (r = 0,664, p < 0,01) y con la disposición a usar IA (r = 0,622, p < 0,01). Todas las dimensiones medidas mejoraron del pretest al postest, con dz de Cohen entre 0,47 y 0,63. Los relatos del profesorado pasaron de la IA como herramienta de recuperación de información a la IA como herramienta de andamiaje subordinada a su propio juicio. El diseño es un grupo único medido dos veces, así que las ganancias no pueden atribuirse al programa en lugar del tiempo, la novedad o la medición repetida (Ussenbay et al., 2026).

  • La evidencia de desarrollo profesional específico de cada disciplina es escasa. Una revisión sistemática sobre docentes de lenguas (Li et al. 2026) encontró que solo tres de 23 estudios informaban de desarrollo profesional estructurado, aunque los que lo hacían coincidían en ganancias de conocimiento, confianza e identidad: evidencia de que la formación estructurada y específica de la disciplina (que une la habilidad técnica con la sabiduría práctica) es a la vez escasa y eficaz, y de que el desarrollo profesional debería pasar de la sensibilización y la ética al dominio práctico de las herramientas y al codiseño de clases mejoradas con IA.

  • El desarrollo profesional del formador de docentes como construcción de modelos: Eyal (2025) impartió un curso de un año y 180 horas en el que 22 formadores de docentes de educación superior codiseñaron el Modelo Adaptativo de Alfabetización en Inteligencia Artificial, sustituyendo las escaleras de competencias fijas por tres ejes interrelacionados (ajuste al contexto, necesidades profesionales y desarrollo dinámico) y un cuestionario reflexivo de autoevaluación de 20 ítems. La premisa de diseño es que la alfabetización en IA es situacional: un futuro docente en un contexto con pocos recursos, un docente de una materia y un director necesitan competencias distintas, así que el desarrollo profesional debería apuntar al juicio específico del rol y no a una rúbrica estandarizada.

  • La práctica de IA de una profesión técnica puede ir por delante de su vía de formación. En una revisión de 560 registros (Scopus 426, PubMed 1, IEEE 133), Morales-Cevallos et al. (2026) encontraron 21 estudios empíricos, 18 técnicos y solo 3 educativos. Su argumento curricular se apoya en los límites del modelo de aprendiz, la alfabetización algorítmica como requisito fundacional y la explicabilidad sometida a contrainterrogatorio; sin embargo, su marco de seis pilares no se preespecificó ni se validó, y la única muestra de estudiantado, un programa de K-12 en Corea, no probó ninguna intervención formativa con profesionales forenses.

  • Qué debería tener como objetivo la formación: la base de medición del campo va por detrás de la tecnología que describe. En una revisión sistemática de 33 instrumentos de alfabetización en IA para el profesorado, Zainal, Mohd Matore y Maat (2026) encontraron que 29 (87,9%) se centraban en conceptos generales de IA, mientras que solo cuatro (12,1%), todos publicados en 2025, abordaban la IA generativa. Si los instrumentos siguen lo que la formación pretende construir, esa distribución marca la competencia en IA generativa para la enseñanza como el objetivo menos medido y más urgente del desarrollo profesional.

  • Prospectiva sobre la fuerza laboral: Fletcher et al. revisan la literatura gris estadounidense sobre la IA y la fuerza laboral de ingeniería e informática, enmarcan el «problema del doble tren» (cambio rápido frente a política urgente) y recomiendan que la educación superior priorice competencias duraderas en IA, la ética y la gobernanza, y credenciales basadas en habilidades alineadas con roles emergentes (por ejemplo, la ingeniería de prompts, la auditoría de IA o la política sobre IA) para sostener el trabajo centrado en las personas en una economía automatizada.

  • Los diseños que sostienen las habilidades pierden bajo métricas de rendimiento. de Jong (2026) sostiene que la interacción reflexiva contradice la promesa de decisiones más rápidas y mayor rendimiento que impulsa la adopción de la IA en el trabajo profesional: un estudio controlado puede absorber la fricción, pero un entorno que mide el rendimiento por la velocidad o la cantidad no puede, y donde los rivales ofrecen un apoyo equivalente sin fricción, los diseños que sostienen las habilidades se convierten en una desventaja competitiva —un problema que, según el artículo, puede corresponder a la política organizativa o al gobierno y no al diseño de la interacción.

  • Delegar durante el aprendizaje en el puesto compra velocidad y cuesta la habilidad. La versión laboral de ese problema de rendimiento ya tiene una medición aleatorizada. Shen y Tamkin (2026) asignaron a 52 desarrolladores en activo el aprendizaje de una biblioteca de Python desconocida con o sin un asistente GPT-4o. El grupo asistido obtuvo un 17% menos en una prueba sin ayuda (d = 0,738) sin un ahorro de tiempo significativo, y el patrón más rápido, pedir solo código generado, terminó en 19,5 minutos con un 39% de acierto en la prueba frente al 65-86% de los patrones que pedían explicaciones o resolvían los errores de forma independiente. El incentivo que describe esta literatura (entregar la tarea, aprender después) es la condición en la que el estudio encontró la mayor pérdida de habilidad, lo que convierte el uso de la IA en el puesto en un problema de diseño de la formación y no solo de productividad.

  • Evaluación oral para la capacidad profesional. Un estudio de diseño de FP aborda el desajuste histórico entre una evaluación muy textual y las capacidades verbales y situacionales que certifican las cualificaciones profesionales, usando un LLM para apoyar una evaluación oral interactiva. En cuatro cohortes, el formato de voz fue valorado como realista por 21 de 33 estudiantes, sin ninguna respuesta discrepante sobre su ventaja frente a un portafolio escrito, y el sistema funcionó totalmente sin conexión en un portátil para hasta 12 estudiantes simultáneos, eliminando las grabaciones a los 90 días y dejando la puntuación a quienes evalúan (Adams, 2026). Es un ejemplo concreto de cómo la IA amplía el rango de competencias evaluables en la formación profesional en lugar de limitarse a automatizar formatos escritos existentes. Sus cohortes, sin embargo, eran clases de automoción e ingeniería de nivel 3, así que la evidencia se sitúa en la oferta de formación profesional inicial y no en el reciclaje profesional en el lugar de trabajo.

  • La reunión es donde la comprensión se vuelve evaluable. Cuando una herramienta generativa redacta el análisis, un informe de investigación pulido ya no muestra si quien se forma comprende el trabajo, por lo que Prunuske y Adams-Phillips (2026) proponen tres ventanas diagnósticas para las reuniones de investigación (calibración metacognitiva, explicación conceptual y construcción de sentido colaborativa) con preguntas que sacan a la luz lo que un resumen dejó fuera.

  • El profesorado pide formación construida sobre sus propias tareas. En entrevistas con 14 docentes de cuatro universidades chinas, las peticiones iban hacia una formación anclada en la disciplina y no hacia un ánimo genérico, y varios distinguieron el uso frecuente de la IA de la alfabetización en IA, señalando que muchos colegas aún no sabían formular prompts eficaces (Xiong et al. (2026)).

  • Las condiciones institucionales, y no el contexto nacional, explican las brechas de preparación. Una encuesta comparativa de 568 docentes universitarios de centros de desarrollo del profesorado de China (n = 340) y Kazajistán (n = 228) (Bi, Araily, Lyu y Xiu, 2026) encontró que el profesorado kazajo iba por delante en las siete dimensiones de preparación para la IA generativa en la línea base, con las mayores brechas en transferencia disciplinar, diseño de prompts y evaluación asistida por IA. La regresión jerárquica desmontó la explicación nacional: la diferencia entre países cayó bruscamente cuando entraron en el modelo el uso previo de IA generativa y la formación reciente, y dejó de ser significativa —una reducción del 80%— una vez añadidos el apoyo institucional, el permiso percibido para experimentar, el acceso a recursos multilingües, la claridad de las políticas y la sensibilidad al riesgo. La exposición estaba distribuida de forma desigual (una clara mayoría del profesorado kazajo había recibido formación en IA en los seis meses anteriores, frente a alrededor de una cuarta parte del profesorado chino), y el profesorado chino declaró a la vez mayor claridad de políticas y mayor sensibilidad al riesgo. La formación estructurada en tareas de prompts superó con un margen amplio a la familiarización convencional con la IA generativa en el diseño de prompts posterior a la prueba. La preparación del profesorado, según esta evidencia, la producen la oferta y el permiso —lo que un centro ofrece y lo que permite— y no el sistema nacional en el que se inserta.

  • Una formación breve cambia los juicios, no las intenciones. Un piloto pre-post de tres horas con 100 docentes alemanes (Mesenhöller y Böhme, 2026) encontró que la utilidad percibida (d = 0,32) y la facilidad de uso percibida (d = 0,25) aumentaron de forma significativa tras una sesión breve y orientada a la práctica sobre IA para la diferenciación, mientras que la intención conductual no se movió de una línea base ya alta (M = 3,07). Los autores leen la brecha como señal de que la aceptación depende de condiciones que una sesión no puede proporcionar, como el tiempo, la infraestructura y reglas institucionales claras. Merece la pena impartir formatos breves, pero emparejarlos con esas condiciones es lo que convierte un juicio favorable en uso.

  • Un formato de microaprendizaje de doce semanas puede mover el uso declarado. Bodek, Park y Valcin (2026) enviaron a 81 docentes universitarios un prompt de IA generativa semanal, un espacio de Teams y una insignia opcional; entre 27 respondentes de fin de año, el uso declarado de «nunca o rara vez» cayó del 40,7% al 7,4% (Z de Wilcoxon = -3,52, p = 0,001), y el 51,9% introdujo una actividad de IA generativa para sus estudiantes. La evidencia es autoinformada, de una sola institución y sin grupo de comparación.

  • Seguimiento sostenido, y no talleres puntuales, en la formación inicial. Una revisión sistemática de 11 estudios sobre IA en la formación inicial del profesorado de matemáticas de primaria (Pinto et al., 2026) encontró que nueve intervenciones eran una sola sesión o unas pocas sesiones integradas en cursos existentes, que las actitudes solían medirse una sola vez a posteriori y que la ética aparecía en solo tres estudios. Los autores sostienen que la competencia en IA debe desarrollarse a lo largo de toda la secuencia formativa, desde una fase preparatoria hasta el prácticum y los primeros años de práctica, con un seguimiento que acompañe esa progresión.

  • La exposición y la repetición, y no los datos demográficos, se asocian a percepciones favorables. En un estudio de métodos mixtos con 302 docentes turcos de matemáticas de primaria (Ciğerci y Uygun, 2026), la formación previa en IA (t = 3,661) y la frecuencia de uso de la IA (F = 41,280) fueron las variables asociadas de forma más consistente con opiniones positivas, mientras que la disposición (M = 3,98) y las actitudes (M = 3,82) se situaban muy por encima de la experiencia personal (M = 3,00). Los autores tratan la formación previa como la palanca más clara sobre la que pueden actuar las escuelas, lo que apunta a un uso repetido y sostenido y no a una única introducción.

  • La rotación de roles como estructura portante. Un estudio de diseño con 62 futuros psicólogos educativos en Kazajistán (Kenzhebayeva et al., 2026) hizo rotar al estudiantado por cuatro posiciones profesionales a lo largo de ocho semanas, con la IA generativa aportando ideas preliminares. Los autores sostienen que el valor estaba en la rotación y no en la herramienta, ya que cada rol enmarcaba el mismo caso de forma distinta, y los ciclos posteriores mostraron más peticiones de justificación teórica. Informan de implicación y no de ganancias medidas, ya que no recogieron medidas de competencia antes y después.

  • Una lista de verificación para entrar en el trabajo ágil. Los backlogs de 211 equipos de estudiantes produjeron 17 tipos de error y una lista de verificación; los equipos de máster que asistieron al taller de la lista promediaron 1,67 categorías de error frente a 2,6 (Spichkova (2026)).

  • Un curso pensado para profesionales de aprendizaje y desarrollo, revisado cuatro veces. Un electivo asíncrono de cinco semanas pasó a diez después de que el estudiantado pidiera más tiempo; el coste de las herramientas, la ética antes de la inscripción y la vigencia de las herramientas motivaron los demás cambios, todos registrados en un registro de cambios de ingeniería del aprendizaje (da Silva (2025)).

Distinto de la educación académica

La formación profesional se distingue de la educación académica por su foco en habilidades aplicadas, su relevancia inmediata para el lugar de trabajo y las características de quien aprende siendo adulto. La teoría del aprendizaje de personas adultas y los principios del aprendizaje de personas adultas informan el diseño de la formación profesional en IA. Su otra frontera es la educación y formación profesional: la FP admite a personas que aún no ejercen la ocupación y termina con una cualificación técnica o de oficio, por lo que conlleva la preparación ocupacional inicial y los marcos de cualificación que la certifican, mientras que la formación profesional parte de un rol ya existente —reciclaje, educación profesional continua o certificación de proveedores— y da por supuesta la competencia que otorga la FP.

La regeneración de la experiencia como preocupación formativa. El marco de los Bienes Comunes Cognitivos (Lovett 2026) sostiene que el desarrollo de recursos humanos debe ir más allá del reciclaje organizativo hacia una custodia a nivel de profesión: eliminar los puestos de desarrollo de nivel inicial en sectores expuestos a la IA puede agotar el fondo compartido de experiencia del que dependen todas las organizaciones, con un efecto retardado que solo aparece al cabo de 5 a 20 años. Esto replantea la formación profesional desde el desarrollo de competencias individuales hacia el mantenimiento de un bien común colectivo. Empareje la producción con IA con la verificación y busque medidas externas. Nguyen et al. (2026) sitúan comprobaciones automatizadas de alucinaciones y una auditoría de expertos en la materia entre la redacción y la entrega a lo largo de un pipeline de capacitación de cinco etapas, y apoyan las afirmaciones más fuertes del marco en una acreditación de CPE de NASBA y un examen de certificación de proveedor en lugar de en medidas de éxito autodefinidas.

Concepciones erróneas

«La formación reglada produce competencia ocupacional.» El marco sitúa las etapas de competencia más altas detrás de la experiencia integrada en la industria y no de la formación reglada, lo que es un límite real a lo que un programa formativo puede afirmar. Un curso puede construir los prerrequisitos; la etapa condicionada necesita el trabajo.

«Desvanecer el apoyo según un calendario equivale a desvanecerlo según la evidencia.» No es así. Desvanecer la asistencia según la competencia estimada de quien aprende recortó el tiempo por vuelta en el simulador un 27,9% (p = 0,005) y los fallos en 3,52 por vuelta, mientras que el desvanecimiento basado en reglas con un calendario fijo no produjo ningún cambio fiable. La misma cantidad de apoyo, liberada con una señal distinta, es una intervención distinta.

«La formación en alfabetización en IA se generaliza entre roles.» La mayoría de los instrumentos no miden la competencia específica del rol: en una revisión sistemática de 33 instrumentos de alfabetización en IA para docentes, 29 (87,9%) se centraban en conceptos generales de IA y solo 4 (12,1%) abordaban el uso pedagógico u ocupacional que el puesto exige de hecho. Un programa construido sobre instrumentos generales mide un proxy.

«Un simulador sustituye a la formación en el puesto de trabajo.» Desarrolla el procedimiento y elimina la consecuencia, lo que es valioso y es exactamente la parte que no se puede transferir: en el trabajo de seguridad crítica, la consecuencia es el currículo.

Conceptos conectados

Artículos conectados

Recursos relacionados

  • Master Instructional Design
    Una habilidad (skill) de Claude que empaqueta el método de un diseñador instruccional veterano en quince modos de participación y treinta y uno archivos de referencia bajo demanda que cubren todo el espectro del aprendizaje y el desarrollo.

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.