La tecnología llega antes que la conversación. Esta guía es para gestión humana:
siete retos que hay que resolver aunque nadie los haya puesto en la agenda,
con casos que ya pasaron y cifras que puedes verificar.
Lectura14 minutos
ParaGestión humana y dirección
LíneaGestión Humana
Actualizada18/08/2026
En una frase
La transformación digital no la frena la tecnología: la frena una conversación que nadie tuvo.
Las herramientas se compran en semanas. La confianza del equipo en ellas se
construye en meses y se pierde en un mal anuncio. Los siete retos de esta guía
son de conversación, de dato y de norma. Ninguno es técnico. Todos deciden si
el proyecto técnico sirve.
Casi todos ya la usan. Muy pocos la cobran
El problema de 2026 ya no es adoptar. Es que la adopción y el resultado
medible se separaron, y la distancia entre las dos cifras es la guía completa.
88 %
de las organizaciones ya usa IA con regularidad en al menos una función.
McKinsey, The State of AI, noviembre de 2025 (n = 1.993, 105 países).
39 %
atribuye a la IA algún impacto en su EBIT. Solo un tercio la escala a toda la empresa.
Cada línea es una iniciativa de IA. La altura es el resultado medible que
alcanzó. Cuatro llegan arriba; la mayoría se queda en el rango del piloto.
Es una representación de la distancia entre el 88 % que adopta y el
39 % que reporta impacto, no una medición por empresa.
Dónde está Colombia en esto
Las personas van más rápido que las empresas. Ese desfase es el que produce
casi todos los problemas de esta guía.
48 %
de los colombianos ya usa IA en actividades académicas y laborales.
CINTEL, Perfil del Consumidor Digital, vía Technocio, 2026.
40 %
de las mipymes colombianas no tiene ningún plan de incorporar IA.
de las entidades financieras del país ya usa soluciones con IA. El sector que más avanzó marca la referencia.
Asobancaria, Informe de Gestión 2024, vía La República, 2025.
Qué no encontramos
Buscamos casos colombianos de IA en gestión humana con cifras de impacto
publicadas y no hallamos ninguno. Los casos locales que sí están documentados
—Bancolombia, Mibanco, Banco de Bogotá— son de servicio al cliente y de fraude.
Es un vacío real del mercado, y lo decimos en vez de rellenarlo.
Casos locales pendientes
Las cinco decisiones, en orden
Cada una se toma antes de la siguiente. Empezar por la cuarta es lo que
produce resistencia, y es por donde empieza casi todo el mundo.
Nombrar el problema
Qué tarea concreta duele hoy. Si no se puede nombrar, no hay proyecto: hay presupuesto.
Decidir qué NO se automatiza
Definir el límite primero evita que se discuta caso por caso durante un año.
Decir qué pasa con el equipo
Antes de la primera demostración. El silencio en este punto lo llena el rumor.
Elegir la herramienta
Cuarta, no primera. Con el problema y el límite ya escritos, la elección es corta.
Medir y contarlo
Un resultado que no se comunica no cambia la percepción de nadie.
Los siete retos
Cada reto trae la evidencia que lo sostiene y el nombre de quien la publicó.
Cuando una cifra muy citada dice menos de lo que parece, lo advertimos.
Reto 1 · el que decide todo
Nadie dijo qué pasa con los puestos
Es la primera pregunta que se hace el equipo y casi nunca la primera que
responde la organización. Mientras no haya respuesta explícita, cada avance
del proyecto se lee como una amenaza, y el rumor llena el silencio con la
peor versión posible.
La respuesta puede ser incómoda, pero tiene que existir y tiene que darse
antes de la primera demostración. Después ya es tarde: la conclusión la
sacó cada quien por su cuenta.
42 % de los trabajadores dice que su organización no
evalúa el impacto de la IA en las personas, y 56 % de
los líderes diseña sus iniciativas de IA solo alrededor de resultados de
negocio. El 60 % de los ejecutivos ya usa IA para tomar decisiones;
solo el 5 % dice gestionar bien ese uso.
Deloitte, 2026 Global Human Capital Trends, 4 de marzo de 2026.
El caso Klarna, en su versión real
El titular dice que Klarna despidió a 700 personas por un chatbot y tuvo que
recontratarlas. No fue así. En febrero de 2024 anunció que su asistente hacía
el trabajo equivalente a 700 agentes y atendía el 75 % de los chats; el
ajuste de plantilla vino de un congelamiento de contratación de doce meses y
de rotación natural, no de despidos. En mayo de 2025 su presidente volvió a
contratar agentes humanos porque el chatbot era más barato pero de «menor
calidad». No desmontó la IA: la reequilibró. La versión real es más útil que
la sensacionalista.
Entrepreneur, mayo de 2025.
Reto 2
Se compra la herramienta antes de escribir el problema
Una plataforma elegida sin un problema escrito termina usándose para lo que
ya se hacía bien, y el problema real sigue ahí. La pregunta correcta no es
«¿qué hace esta herramienta?» sino «¿qué tarea quiero que desaparezca?».
Gartner ya preveía que el 30 % de los proyectos de IA
generativa se abandonaría después de la prueba de concepto. Del otro lado,
entre los que sí obtienen valor, la mitad de los de mejor desempeño rediseñó
sus flujos de trabajo a fondo: el retorno viene del rediseño, no de la
licencia.
Gartner, julio de 2024 · McKinsey, noviembre de 2025.
Sobre el «95 % de fracaso»
La cifra viene de un documento del MIT Media Lab de julio de 2025 y circula
como si fuera un censo. No lo es: se basa en 52 entrevistas, 153 respuestas
recogidas en conferencias y algo más de 300 iniciativas públicas, con una
definición de «éxito» exigente y subjetiva. Un profesor de Wharton señaló que
no encontró ningún otro respaldo para el 95 %. Úsala, si acaso, junto al
12 % de PwC y al 39 % de McKinsey, que vienen de muestras grandes y
cuentan la misma historia sin exagerarla.
Futuriom, agosto de 2025.
Reto 3
El dato de las personas está peor de lo que crees
Cargos que no coinciden entre sistemas, historiales incompletos, competencias
que nadie actualizó en tres años. Cualquier análisis construido sobre eso
hereda el error y lo presenta con seguridad, que es lo peligroso.
El 60 % de los proyectos de IA se abandonará hasta 2026
por no estar respaldado con datos preparados, y el 63 %
de las organizaciones carece de prácticas adecuadas de gestión de datos para
IA o no sabe si las tiene.
Gartner, febrero de 2025 (n = 1.203 líderes de datos).
En Colombia esto dejó de ser solo un problema técnico. La Circular 002 de 2024
de la Superintendencia de Industria y Comercio exige que los datos personales
tratados por sistemas de IA sean «veraces, completos, exactos, actualizados,
comprobables y comprensibles», y prohíbe tratar datos incompletos o que
induzcan a error. Un sistema que decide sobre empleados con datos
desactualizados ya está en incumplimiento de una norma vigente.
Reto 4
Decidir sobre personas exige poder explicar la decisión
Selección, promoción, evaluación y desvinculación afectan la vida de alguien.
Si el sistema no puede explicar por qué señaló a esa persona, la recomendación
no se puede usar, por buena que parezca. El sesgo heredado del histórico es un
riesgo real y hay que auditarlo, no asumirlo resuelto.
El estándar ya está fijado y no es «publicar la documentación del modelo». El
Tribunal de Justicia de la Unión Europea resolvió que hay que describir
qué datos de esa persona se usaron y cómo, incluido cómo un
dato distinto habría cambiado el resultado, y que «la mera comunicación del
algoritmo» no basta. Tampoco vale escudarse en el secreto comercial como regla
general.
TJUE, asunto C-203/22 (Dun & Bradstreet Austria), sentencia del 27 de febrero de 2025.
En Mobley contra Workday, un tribunal federal de California certificó
en mayo de 2025 un colectivo nacional de postulantes de 40 años o más. En ese
proceso Workday declaró que sus herramientas rechazaron postulaciones «del
orden de los miles de millones». Cuando cerró el plazo de
adhesión, en marzo de 2026, se sumaron unas 14.000 personas.
La diferencia entre las dos cifras no mide el daño: mide cuánta gente supo
que le pasó.
AI Lawsuit Tracker · Forbes, 29 de mayo de 2026. Caso en curso, sin fallo de fondo.
Una contradicción del estado actual del derecho
En mayo de 2026, el mismo tribunal resolvió que los datos de las pruebas de
sesgo pueden quedar protegidos por el secreto profesional cuando los abogados
curan los datos y la prueba se hace para asesoría legal. Es decir: la forma
jurídicamente más segura de auditar el sesgo es hacerlo de manera que no se
pueda publicar, justo lo contrario de lo que pide la transparencia. No es una
opinión, es la tensión que hay hoy.
Análisis de junio de 2026.
Reto 5
El proveedor también es tu superficie de riesgo
El dato de nómina y de salud es especialmente sensible. Habeas data no es un
trámite del área legal: define qué se puede procesar, dónde puede vivir y
quién puede verlo. Y buena parte de ese dato ya no vive en tus servidores,
sino en los de un tercero.
En julio de 2025 se expusieron cerca de 64 millones de
registros de postulantes de la plataforma de contratación de McDonald's. La
causa no fue el modelo: fue una cuenta administrativa del proveedor con la
contraseña «123456». El proveedor alegó que era una cuenta de
prueba sin uso desde 2019 que «debió haberse dado de baja».
Krebs on Security, julio de 2025.
Y respondes por lo que dice tu asistente. Un tribunal de Columbia Británica
condenó a Air Canada por la información errónea que su chatbot dio a un
pasajero, y rechazó el argumento de que el chatbot fuera «una entidad separada
responsable de sus propias acciones». Un asistente que informa mal sobre una
liquidación o una prestación compromete al empleador, no al software.
American Bar Association, febrero de 2024.
Reto 6
El piloto funciona y el proyecto se detiene ahí
El piloto corre con las personas más motivadas y el caso más limpio. Escalarlo
exige lo que el piloto evitó: los casos raros, las sedes lejanas y quienes no
querían participar. Presupuestar solo el piloto es la forma más común de no
llegar nunca a producción.
Más de dos tercios de los líderes dicen que el 30 % o
menos de sus experimentos se escalará en los próximos tres a seis meses. Y
solo un tercio de las organizaciones ha llevado la IA a
escala de empresa.
Deloitte, State of Generative AI in the Enterprise · McKinsey, noviembre de 2025.
Reto 7 · el que ya está pasando
La IA que corre en tu empresa sin que la hayas aprobado
Mientras el comité decide qué plataforma comprar, el equipo ya está pegando
información de nómina en herramientas públicas. No es indisciplina: es lo que
pasa cuando se prohíbe sin ofrecer camino.
66 % de los profesionales usó herramientas de IA en el
trabajo creyendo que violaba la política de su empresa. El
88 % puso información laboral en IA pública, el
34 % metió datos de clientes y el
31 %, información financiera o documentos
confidenciales. Además, el 75 % cambiaría de trabajo por mejor
desarrollo de habilidades en IA y el 81 % percibe que la dirección opera
bajo otras reglas.
PagerDuty / Wakefield Research, Shadow AI Workplace Survey, junio de 2026 (n = 1.250).
El vacío que lo explica: solo el 7 % de las
organizaciones da alguna guía sobre qué hacer con el tiempo que la IA ahorra.
Y la brecha no está entre generaciones, está entre jefes y equipo:
46 % de los jefes experimenta con IA frente al
26 % de los empleados.
Gartner, 4 de marzo de 2026.
Del piloto a la organización. A la izquierda, el caso limpio con la gente
motivada. A la derecha, el territorio que el piloto no tocó: las sedes lejanas,
los casos raros y quienes no querían participar. El presupuesto suele cubrir
solo el bloque de la izquierda.
Seis casos que ya pasaron
Tres que salieron mal y tres que funcionaron con cifras publicadas. Todos con
nombre y con fuente. Ninguno es un ejemplo inventado.
Lo que salió mal
Cribado algorítmico
Mobley c. Workday
Colectivo nacional certificado por discriminación por edad en el cribado de
hojas de vida. El punto jurídico nuevo: el demandado es el
proveedor del software, no el empleador.
Miles de millones de postulaciones rechazadas, según lo declarado por la propia compañía.
Distrito Norte de California, caso 3:23-cv-00770. Colectivo certificado en
mayo de 2025; en curso a agosto de 2026, sin fallo de fondo.
Seguimiento del caso
Descarte automático por edad
iTutorGroup
El software de postulación estaba programado para rechazar automáticamente a
mujeres de 55 años o más y hombres de 60 o más. Más de 200 candidatos
calificados quedaron fuera.
USD 365.000 de indemnización y cinco años de supervisión de la autoridad laboral.
Primer acuerdo de la EEOC por discriminación algorítmica.
EEOC, septiembre de 2023.
No fue un modelo que «aprendió» a discriminar: fue una regla escrita a mano.
La palabra «automatizado» no diluye la responsabilidad.
Seguridad del proveedor
McHire / Paradox.ai
Una cuenta administrativa con la contraseña «123456» dejó accesible el
respaldo de la plataforma de contratación con chatbot de McDonald's.
64 millones de registros de postulantes expuestos, con nombre, correo y teléfono.
Asistente para clientes y copiloto para los agentes, sobre una base de más
de 114 millones de clientes en Brasil, México y Colombia.
Resuelve el 55 % de las consultas de primer nivel, con más de 2 millones de conversaciones al mes y −70 % en tiempo de respuesta.
Cifras publicadas por la compañía y su proveedor, sin auditoría
independiente.
Caso Nubank
Gestión humana · seis años de trabajo
IBM, AskHR
Agentes de IA sobre 7.000 páginas de política interna, refinados durante seis
años. El ejemplo que más se parece a lo que puede hacer un área de gestión
humana.
94 % de contención de las preguntas comunes, 2,1 millones de conversaciones al año y −40 % en costos operativos del área en cuatro años.
Cifras publicadas por la propia compañía.
Caso AskHR
Adquisición de talento
Intermountain Health
Rediseño del proceso de contratación apoyado en IA. Es la métrica que un área
de gestión humana puede defender en un comité sin traducirla.
El patrón que atraviesa los tres
En el propio informe del MIT que originó el titular del «95 % de fracaso»,
los casos que sí funcionaron ocurrieron «sin reducción material de la fuerza
laboral», y las ganancias se concentraron en trabajo de trastienda. El caso de
negocio verificable de la IA en operaciones no es despedir: es redistribuir.
Qué te obliga hoy, y qué todavía no
En Colombia no hace falta esperar la ley de IA. Ya hay una circular vigente que
exige estudio de impacto y calidad del dato antes de desplegar.
Vigente desde 2012 · Ley 1581
El régimen de habeas data. Es neutral en cuanto a tecnología, así que aplica
igual a un sistema de IA que a una hoja de cálculo. Define qué puedes
procesar, con qué autorización y por cuánto tiempo.
Vigente desde el 21 de agosto de 2024 · Circular 002 de la SIC
La norma que más gente ignora y la que más te obliga. Exige privacidad desde
el diseño, un estudio de impacto de privacidad documentado antes de
desarrollar IA de alto riesgo, calidad del dato —«veraz, completo,
exacto, actualizado, comprobable y comprensible»— y el derecho del titular a
saber, en cualquier momento, cómo se trata su información.
La Política Nacional de Inteligencia Artificial, con horizonte 2030. No crea
obligaciones directas para tu empresa, pero fija la dirección: gobernanza y
ética, infraestructura y datos, talento digital y mitigación de riesgos.
Crearía una autoridad nacional de supervisión de IA con enfoque basado en
riesgo y exigencias de calidad, representatividad y trazabilidad de los datos.
A la fecha de esta guía sigue en trámite legislativo: no es ley.
Lo decimos así porque circula como si ya lo fuera.
2 de diciembre de 2027 · Reglamento europeo de IA
Las obligaciones para sistemas de alto riesgo del Anexo III —que incluye
expresamente las herramientas de reclutamiento— se aplazaron de agosto de 2026
a diciembre de 2027. Las obligaciones de transparencia sí siguen en calendario.
Si operas con matriz o clientes europeos: se aplazó, no se canceló.
Por qué «cumplir para evitar la multa» ya se demostró equivocado
Nueva York fue la primera jurisdicción del mundo en obligar a auditar el sesgo en
contratación. Su propia Contraloría auditó dos años de aplicación y encontró dos
quejas en total, un caso de incumplimiento detectado por el regulador frente a
diecisiete que hallaron los auditores en la misma muestra, y ninguna acción de
fiscalización. El riesgo no llegó por la multa: llegó por el litigio, donde no hay
tope de sanción ni gradualidad administrativa. El argumento correcto no es cumplir
por miedo, es tener evidencia defendible.
Auditoría de la Contraloría del Estado de Nueva York, diciembre de 2025.
Diez preguntas antes de firmar
Llévalas a la reunión con el proveedor. Si cuatro se responden con «lo vemos
después», todavía no es el momento.
¿Qué tarea concreta desaparece, y quién la hace hoy?
¿Qué decisiones sobre personas NO va a tomar el sistema, y está escrito?
¿Qué se le dijo al equipo, con qué palabras y cuándo?
¿Quién responde si el sistema se equivoca con una persona?
¿Puede el sistema explicarle a un colaborador qué dato suyo pesó en el resultado?
¿Existe el estudio de impacto de privacidad que exige la Circular 002, y está documentado?
¿Dónde viven los datos, quién del proveedor puede verlos y con qué controles?
¿Cómo se audita el sesgo, cada cuánto, y quién ve el resultado?
¿Está presupuestado el paso del piloto a toda la organización, con los casos raros?
¿Qué se hace con el tiempo que la herramienta libera, y quién lo decide?
Qué cambia, en concreto
Transformación anunciada
Se comunica la herramienta.
El equipo se entera por el proveedor.
El límite se discute caso por caso.
El dato se limpia cuando el modelo ya falló.
La explicabilidad se resuelve con la ficha técnica del modelo.
El éxito se mide en licencias activadas.
Transformación conversada
Se comunica el problema que se va a resolver.
El equipo se entera antes de la primera demostración.
El límite está escrito desde el inicio.
El dato se ordena antes, porque la norma ya lo exige.
La explicabilidad se prueba con un caso real de una persona real.
El éxito se mide en la tarea que dejó de hacerse a mano.
Esta guía combina la experiencia de Doisol acompañando áreas de gestión humana en
procesos de digitalización con fuentes públicas verificables, todas enlazadas al
final. Los indicadores de adopción por cliente están pendientes de publicación.
Cifras propias pendientes
Conclusión
El 88 % ya adoptó. El 39 % ve impacto. Esa distancia no la cierra una
herramienta mejor: la cierran cuatro conversaciones que se pueden tener esta
semana, sin presupuesto.
Los siete retos de esta guía se parecen entre sí más de lo que parece. En todos,
el error es el mismo: tratar la IA como una compra cuando es un cambio en cómo
se decide sobre personas. Y en todos, el costo de la demora no es tecnológico.
Es un equipo que se enteró por el rumor, un dato que llegó incompleto a una
decisión que afectaba a alguien, un piloto que nadie presupuestó escalar.
Escribe qué tarea quieres que desaparezca. Una sola, con nombre.
Escribe qué decisiones sobre personas no va a tomar ningún sistema. Ese es el límite, y va antes de la herramienta.
Dile al equipo qué pasa con su trabajo, antes de la primera demostración. El silencio ya tiene quien lo llene.
Haz el estudio de impacto de privacidad que la Circular 002 ya te exige. No porque llegue una multa, sino porque cuando alguien pregunte querrás tener la respuesta.
Ninguna de las cuatro necesita una licencia. Las cuatro se pueden empezar hoy.
¿En cuál de los siete estás atascado?
Publicamos en LinkedIn lo que vamos aprendiendo con áreas de gestión humana en
Colombia: casos, cifras con fuente y lo que la norma va exigiendo. Sin catálogo.
Si prefieres hablar de tu caso concreto, escríbenos y te respondemos con una
situación parecida a la tuya.