Alfabetización en IA - Formación por rol: marketing, ventas, RRHH y finanzas

Llega el momento en que tu empresa dice "tenemos que formar en IA". Directora de RRHH manda un correo: sesión única para todos, 90 minutos. El abogado y el comercial en la misma sala. El técnico de finanzas recibe el mismo material que el diseñador. Resultado: nadie aprende lo que necesita.

La razón es simple. El copywriter que usa ChatGPT para brainstorming necesita saber algo completamente distinto del contador que usa Claude para análisis de facturas. Los riesgos no son iguales. Las herramientas que tocan son otras. Ni siquiera el nivel de profundidad técnica es el mismo.

El artículo 4 del AI Act lo deja claro: "proporcionalidad". La ley no pide un certificado de 40 horas para todo el mundo. Pide que cada rol sepa qué es lo mínimo que tiene que saber para no romper nada.

Aquí están esos mínimos. Cuatro roles, cuatro riesgos distintos, cuatro checklists que puedes sacar en una auditoría.

Marketing: ideación, redacción, imágenes, SEO

El equipo de marketing es usuario intensivo. Prueba docenas de prompts al mes. ChatGPT, Gemini, Claude. Generan copy, desglosan ideas, prueban headlines, a veces generan imágenes.

Casos reales:

• Redacción de copy: Carmen, especialista en SEM, usa ChatGPT para brainstorming de headlines. Le pide "50 variantes de títulos para un ebook sobre seguros de responsabilidad civil". Revisable, útil, cero riesgos si ella no sube datos reales.

• Ideación de campaña: El equipo de contenido pone un briefing completo en ChatGPT: "Somos una inmobiliaria, vendemos pisos de 300k a 800k en Madrid, el público tiene edad 40-55, ejecutivos". Automáticamente, al siguiente proyecto, ChatGPT recuerda esos datos. Riesgo: alguien consulta desde casa con WiFi de café con portátil de empresa.

• Redacción SEO: Jorge usa Claude para estructurar un artículo de 2.000 palabras. Sube la keyword "hipotecas vivienda nueva Madrid", el esquema, dos studies de casos. Claude analiza, estructura, sugiere en 2 minutos. Luego Jorge lo reescribe con ejemplos propios. Eficiente. Sin riesgos técnicos.

• Generación de imágenes: El diseño usa Gemini o Midjourney para prototipar mockups antes de encargar al freelancer. ChatGPT no genera imágenes, pero Claude tampoco. Gemini sí. Riesgo: derechos de autor. Si sube un logo de cliente a Gemini para "variarlo", ese logo entra en el entrenamiento de Google.

Riesgos específicos:

1. Derechos de imagen. Usar generadores de imágenes (Midjourney, DALL-E, Gemini Images) para crear variaciones de un diseño existente puede infringir derechos. Una campaña de correo con 50 imágenes generadas por IA que vende como propias: riesgo legal si no está claro quién es dueño.

2. Plagio y atribución. ChatGPT genera texto estadístico, no inventa. Si pide "redacción sobre crisis de vivienda en España" con 200 palabras, es posible que reconstituya párrafos similares a artículos publicados. No es copia literal. Es verosímil. No necesariamente legal si no verificas.

3. Veracidad en datos. El mayor riesgo en marketing con IA: alucinaciones. ChatGPT genera datos falsos con confianza. Si pide "cuota de mercado de telecos en España 2025" para un informe de competencia, ChatGPT da una cifra. No la sabe. Si esa cifra entra en tu deck de presentación y el cliente lo detecta, pierdes credibilidad.

4. Políticas de privacidad incumplidas. Si subes una lista de clientes (nombres, emails, sectores) para que ChatGPT te haga segmentación, violas GDPR si no tienes consentimiento del cliente para eso. Las herramientas gratuitas entrenan con lo que subes.

5. Cambios de marca sin revisar. ChatGPT reescribe un texto existente, cambia tono sin avisar, quita información que era importante, añade datos que suenan bien pero no verificaste. Publicado sin revisión: problema en redes.

Checklist de verificación:

• Cada miembro del equipo sabe qué información es segura subir (briefing, keyword, estructura). Qué no es: datos de cliente, contratos, cifras de ventas.
• El equipo entiende qué es una alucinación. ChatGPT no consulta Internet (salvo versión Plus con búsqueda). Si pide datos sobre "última noticia de X empresa", ChatGPT inventa.
• Existe una política interna: qué herramientas están permitidas (ChatGPT, Claude, Gemini sí; Midjourney solo para mockups internos, no para publicar sin revisión legal).
• Todos revisan output de IA antes de publicar. No es opcional. Mínimo: leer una vez, verificar cifras si las hay, revisar cambios de marca.
• Las imágenes generadas por IA se marcan como tales si se publican, o se reelaboran para no parecer humanas (requisito de transparencia en algunos contextos).
• Si publicas copys generados por IA, al menos uno de los puntos de contacto es revisado por humano (no automatices publicación).

Formación de marketing: 45 minutos.

• 10 minutos: qué es un LLM, cómo funciona, por qué alucinaciona.
• 15 minutos: herramientas que usa vuestro equipo (ChatGPT, Claude, Gemini). Diferencias prácticas.
• 10 minutos: casos específicos de vuestro sector. "Si redactamos sobre seguros, ¿qué riesgos hay si usamos ChatGPT?" Casos de vuestros proyectos, no genéricos.
• 10 minutos: política interna. Qué sí, qué no. Ejemplos concretos.
• Material: checklist anterior, impreso o en Notion compartido.

Ventas: research, propuestas, mail, call prep

El comercial usa IA distinto que el marketer. No para crear, sino para acelerar tareas repetitivas. Research de leads, preparación de llamadas, redacción de propuestas. La herramienta cambia: muchas veces es un CRM con IA integrado (HubSpot AI, Pipedrive, Salesforce Einstein), no ChatGPT.

Casos reales:

• Research de leads: Sergio, comercial de software, recibe una lista de 20 leads del equipo de marketing. En Pipedrive, hay un botón "Resume prospect". Pipedrive tira de LinkedIn, website, últimas noticias, CRM notes, genera un párrafo: "Esta empresa se fusionó hace 3 meses, expandió equipo IT, presupuesto probable 50k-100k". Ahorra 20 minutos. Pero Sergio cree el párrafo sin verificar: la empresa no se fusionó, expandió. Envía propuesta a equipo IT que no existe. Pérdida de tiempo, mala impresión.

• Preparación de reunión: Paula, ejecutiva de cuentas, tiene una videoconferencia con cliente en 30 minutos. Sube el contrato anterior, últimas comunicaciones, propuestas rechazadas a Claude. Pide "puntos clave para hablar hoy". Claude resume, da contexto, sugiere ángulos. Paula entra en la llamada mucho mejor preparada. Sin riesgos.

• Redacción de propuesta: Manuel redacta propuestas comerciales. Copilot en Word le ayuda: escribe la mitad, Copilot completa frases, sugiere párrafos. En 40 minutos tiene un borrador. Lo revisa, ajusta cifras, personaliza. Propuesta lista. Pero si no revisa bien: promete capacidades que no ofrece (alucinación), cifra incorrecta que no cuadra con tu lista de precios, timings que no son realistas.

• Email secuencias: El CRM sugiere plantillas de mail para cada etapa. "Si cliente abrió mail 1 hace 3 días y no respondió, envía mail 2". La plantilla está hecha por IA. Genérica. Suena a mail en masa. Si Sergio la manda tal cual: baja tasa de respuesta.

Riesgos específicos:

1. Datos de cliente en herramientas públicas. Esto es el riesgo mayor. Un comercial sube una hoja de cálculo con 50 clientes: nombre, email, teléfono, cuota anual de compra, a ChatGPT para "segmentación automática". Esos datos entran en el entrenamiento de OpenAI. GDPR: multa. Contrato de cliente: incumplimiento. Reputación: pérdida.

2. Alucinaciones en cifras. "¿A qué precio sale nuestro paquete premium?" El comercial pregunta a ChatGPT sin contexto. ChatGPT genera una cifra. Si no tienes internamente documentado el precio real (que suele ser negociado por cuenta), el comercial lo cita en una propuesta. Cliente verifica, ve inconsistencia, te ve impreciso.

3. Promesas indebidas. ChatGPT redacta "nuestro sistema procesa 10.000 transacciones por segundo con 99.99% uptime". Suena creíble. Un comercial lo pone en propuesta sin que el equipo técnico lo valide. Cliente firma, luego descubre que el máximo es 5.000 transacciones. Incumplimiento contractual.

4. Pérdida de datos en síncronos. Algunos CRMs con IA integrado cargan datos de tu base a la nube del proveedor. Si el proveedor (HubSpot, Salesforce) no tiene cifrado de datos del cliente, o no tiene términos de privacidad claros, viola compliance.

5. Falta de revisión en automáticos. Si configuras secuencias de email que el CRM envía automáticamente basadas en triggers de IA (cliente abrió email 2 veces = dispara mail 3), y no revisas qué dice mail 3, puedes estar enviando contenido desfasado o incorrecto a escala.

Checklist de verificación:

• Nadie sube datos de cliente (nombres, teléfonos, emails, compras) a ChatGPT, Gemini o herramientas públicas. Punto no negociable. Si necesitas IA para procesar datos de cliente, usa herramientas de empresa con contrato de privacidad.
• El equipo sabe qué es una alucinación de IA. Y sabe que una alucinación en ventas es una promesa rota. Ejemplo: "ChatGPT nos dijo que podemos procesar 100k transacciones, así que lo pusimos en la propuesta". No sin validación técnica.
• Cifras (precios, volumetría, tiempos) se validan contra fuentes internas. Si un comercial redacta una propuesta asistido por IA, un responsable revisa antes de enviar.
• Herramientas CRM usadas tienen términos de privacidad aceptables. Si usas HubSpot, Pipedrive o Salesforce, verifica que no entrenan con tus datos o que tienes contrato que lo prohíbe.
• Email secuencias automáticas se revisan antes de activarlas. Mínimo una persona revisa el borrador de cada stage.
• El equipo comercial tiene lista de "qué preguntar a IA" vs "qué no". "Resume este contrato": sí. "¿Cuál es el precio de nuestro paquete premium?": no, pregunta a finanzas.

Formación de ventas: 50 minutos.

• 5 minutos: qué es una alucinación y por qué importa en ventas. Un ejemplo: "ChatGPT generó que podemos entregar en 3 semanas, pero vuestro timeline es 6. Propuesta pierde credibilidad".
• 15 minutos: herramientas que el equipo usa (ChatGPT, HubSpot AI, Pipedrive, Copilot). Qué hace bien cada una, qué riesgos.
• 10 minutos: políticas de datos. Qué datos son públicos y seguros de subir (sector, página web), cuáles no (nombre del cliente, historial de compra).
• 15 minutos: ejercicio práctico. Redactar una propuesta asistido por IA, luego revisar juntos qué cambiarías (cifras falsas, promesas no validadas, tono inadecuado).
• Material: "5 riesgos reales que hemos visto", plantilla de checklist antes de enviar propuesta.

RRHH: screening de CVs, redacción de ofertas, feedback, onboarding

RRHH usa IA para tareas administrativas masivas. Filtrado de CVs, redacción de descripciones de puesto, análisis de candidatos, feedback automático, onboarding. El riesgo es distinto: discriminación, GDPR, sesgo algorítmico.

Casos reales:

• Screening de CVs: Una empresa tiene 300 candidaturas para un puesto. Usa un bot de IA (ATS con screening automático, tipo Workable o Talenteria) que puntúa CVs. El bot marca como "aptos" los CVs que mencionan "universidades de élite" o "empresas Fortune 500". Un CV de alguien formado en academia presencial, con 15 años en PYME: calificación baja. Sesgo sistemático. Si ese candidato era el mejor pero no pasó por el filtro: discriminación indirecta.

• Redacción de oferta: RRHH usa ChatGPT para redactar una descripción de puesto. ChatGPT genera: "Buscamos desarrollador dinámico, energético, joven de espíritu, listo para asumir retos ambiciosos". Eso es discriminación indirecta por edad. No dice "menor de 35", pero el lenguaje la implica. Un inspector laboral lo ve. Riesgo legal.

• Análisis de candidatos: Se usa Claude para "analizar compatibilidad cultural". Le das CV + valores de empresa, Claude genera un párrafo: "Candidato con fuerte orientación a resultados, quizás tenderá a saltarse procesos". Bonito. Pero: ¿qué datos usó para esa conclusión? ¿Es una alucinación? Y el candidato tiene derecho a saber cómo lo evaluaron.

• Feedback de desempeño: Sistema automático: empleado toma evaluación en app, chatbot suma respuestas, genera feedback: "Bajo rendimiento en comunicación. Recomendación: capacitación". Sin contexto, sin supervisor que matice. El empleado recibe eso como verdad incuestionable. Desmotivación.

• Onboarding: Nuevo empleado recibe material de IA sobre "cultura de empresa", tareas, procesos. Es genérico (creado por IA sin contexto de la empresa real). Onboarding inefectivo. Pero además: si el nuevo es de un país distinto (extranjero), el material de IA puede contener lenguaje cultural insensible.

Riesgos específicos:

1. Sesgo algorítmico en selección. Los algoritmos de IA se entrenan con datos históricos. Si históricamente tu empresa contrató más hombres en puestos técnicos, el algoritmo aprende eso y repite. Mujer con CV perfecto: puntuación baja. Es discriminación. Es ilegal en Europa (Directiva 2000/78/CE, LGBTDIQ, edad, origen).

2. GDPR violado. Una herramienta de IA analiza CVs, guarda datos de candidatos, y esos datos se procesan sin consentimiento explícito o se guardan más tiempo del necesario (debería ser: solo mientras dura la selección). Candidato que no fue contratado: derecho a que sus datos se eliminen. Si la herramienta de IA los guarda "para futuras campañas", incumplimiento.

3. Derecho a explicación incumplido. Candidato es rechazado por un sistema de IA. Pide explicación: "¿Por qué?" Empresa: "El algoritmo lo decidió". Insuficiente. GDPR art. 22 y AI Act art. 86 requieren explicación comprensible si una decisión es tomada por máquina. "El algoritmo" no es explicación.

4. Discriminación indirecta en lenguaje. Descripción del puesto generada por IA que dice "joven y dinámico" (edad), "nativo de español" (origen), "dispuesto a trabajar 50 horas" (discriminación por género, afecta más a cuidadores). Es ilegal.

5. Falta de validación de datos de evaluación. Un sistema de IA analiza interacciones de empleados (correos, reuniones, línea temporal de tareas) para "medir desempeño". Sin validación: genera conclusiones basadas en ruido (alguien envió menos emails porque se fue de baja, el algoritmo lo marca como poco productivo).

Checklist de verificación:

• Si usas herramienta de screening automático de CVs, un humano revisa los casos fronterizos. Si un candidato quedó en el top 5%, pero el algoritmo lo marcó como "no apto", revisar por qué.
• Descripciones de puesto generadas por IA se revisan por sesgo. Prohibido: palabras de edad ("joven", "dinámico", "nativo digital"), género ("ambicioso", "agresivo"), origen ("nativo"), o requisitos indirectamente discriminatorios.
• Herramientas de análisis de candidatos documentan qué criterios usan. No "la IA decidió", sino "IA analizó estas dimensiones: experiencia en rol similar, habilidades técnicas listadas, duración promedio en puestos anteriores".
• Candidatos rechazados por sistemas automáticos tienen derecho a revisión humana si lo piden.
• Datos de candidatos se eliminan después de 6 meses de finalizado el proceso (GDPR). Herramienta de IA configurada para respetar eso.
• Feedback generado por IA incluye contexto. No "bajo rendimiento en comunicación". Sí "en los últimos 2 meses, participación en reuniones bajó de 80% a 40%, validado con supervisor".

Formación de RRHH: 60 minutos.

• 10 minutos: ¿por qué importa la IA en RRHH? Escalas rápidas. Si el algoritmo es sesgado, afecta a cientos de candidatos en paralelo.
• 15 minutos: sesgos en IA. Ejemplos concretos. "Si contratas más hombres históricamente, el algoritmo aprende eso y lo repite". Cómo detectarlo.
• 15 minutos: GDPR en reclutamiento. Qué derechos tienen candidatos. Qué significa "derecho a explicación".
• 15 minutos: herramientas que usáis (si las usáis). ATS, chatbots de screening, análisis de candidatos. Riesgos específicos de cada una.
• 5 minutos: revisión de descripciones de puesto. Lenguaje que parece neutro pero discrimina.
• Material: "Palabras prohibidas en descripciones de puesto", checklist de GDPR en selección.

Finanzas: análisis, reportes, contabilidad, auditoría

Finanzas es el rol más sensible. Datos confidenciales, exactitud crítica, auditoría. Una alucinación aquí cuesta dinero real, no solo reputación.

Casos reales:

• Análisis de facturas: El contable usa Claude o ChatGPT para procesar 50 facturas de proveedores. Sube las facturas (PDFs) a Claude, pide "extrae: proveedor, concepto, importe, fecha de vencimiento". Claude analiza, extrae. En segundos, tiene una tabla. Útil. Pero Claude a veces alucinaciona importes (ve "€1.500" como "€15.000" si el escaneo es malo). Si no revisa: la contabilidad está mal.

• Reportes mensuales: Usa Copilot en Excel para "analizar gastos de este mes vs mes anterior". Copilot tira datos de columnas, genera gráfico, escribe párrafo interpretativo: "Gastos de marketing bajaron 20%". Pero no dice que la bajada fue porque ese mes no hubo campaña de verano (temporal). Una conclusión correcta pero sin matiz. Si directora la usa para "decisión de presupuesto 2026", es incompleta.

• Predicción de flujo de caja: CFO usa Gemini o Claude para "predecir flujo de caja Q4 basado en histórico de últimos 3 años". IA analiza, genera forecast: "Flujo positivo de 50k". Se basa en patrones. Pero no conoce que Q4 este año habrá una compra grande de inventario (no en datos históricos). Predicción incorrecta. Se toman decisiones sobre deuda/inversión basadas en mal forecast.

• Auditoría de gastos: Sistema automático flagra transacciones "sospechosas": "Gasto de 5k en 'formación' el viernes a las 20h". Sospechoso. Pero era legítimo (online workshop intensivo que terminó a las 20h). Si la IA rechaza de manera automática sin revisar, se bloquean gastos válidos.

Riesgos específicos:

1. Privacidad de datos confidenciales. Un analista sube datos de clientes (nombres, ingresos, historial de transacciones) a ChatGPT para "análisis de patrón de riesgo de crédito". Esos datos entran en el entrenamiento de OpenAI. Si esos clientes son personas físicas, incumples GDPR. Si son empresas del sector regulado (finanzas), incumples regulación sectorial (Basilea III, normativa de datos sensibles).

2. Exactitud numérica crítica. Cifras alucinadas. ChatGPT no usa calculadora. Si pide "cuánto es 523 * 47", ChatGPT genera un número aproximado, no exacto. Aceptable para estimaciones. No para contabilidad. Un CFO que confía en IA para cálculo de provisiones: riesgo.

3. Falta de documentación y trazabilidad. Un análisis de IA genera "recomendación: reducir inventario 30%". ¿Por qué? ¿Qué datos usó? ¿Validó la predicción contra realidad histórica? Si auditor (interno o externo) pregunta, no tienes respuesta. Cumplimiento incumplido.

4. Datos no encriptados en tránsito. Analyst sube datos bancarios a Claude sin VPN. El acceso no está encriptado. Si la conexión es interceptada, datos comprometidos. No es culpa de Claude. Es de quién los sube. Pero: la IA sí guarda esos datos por un tiempo.

5. Modelo desactualizado. IA entrenada con datos hasta febrero 2024 analiza tendencias de 2026. Se pierde contexto (cambios de regulación, mercado, inflación). Las predicciones pueden estar sesgadas a datos viejos.

Checklist de verificación:

• Datos confidenciales o regulados NO se suben a herramientas públicas. Si necesitas IA para procesar datos de clientes, cuentas, inversiones: herramienta de empresa con contrato de privacidad.
• Cifras generadas por IA se validan siempre. Si ChatGPT dice "importe total de mes: €234.567", verificas contra balance.
• Análisis de IA documentan: qué datos de entrada, qué herramienta, qué modelo, qué asunciones, qué rango de confianza.
• Predicciones de IA se revisan contra realidad cada período. "IA predijo flujo de +50k, fue +35k. ¿Por qué la desviación?"
• Decisiones de negocio basadas en análisis de IA requieren validación con especialista (no deja que IA tome la decisión).
• Auditoría interna tiene acceso a explicar qué IA fue usada, dónde, cuándo, por quién. Trazabilidad completa.

Formación de finanzas: 70 minutos.

• 10 minutos: ¿por qué finanzas es crítico? Alucinación aquí = dinero perdido.
• 15 minutos: herramientas que usan (ChatGPT, Claude, Copilot, quizás herramientas específicas de análisis financiero con IA). Capacidades, límites.
• 15 minutos: exactitud y validación. Cómo verificar output de IA, qué validaciones son obligatorias, cuáles son best practice.
• 15 minutos: privacidad de datos. Qué datos pueden procesarse con IA pública, cuáles no. Diferencia entre dados históricos (agregados, públicos) y datos de cliente (sensibles).
• 10 minutos: documentación y auditoría. Qué registro dejamos de dónde vino ese análisis, quién lo hizo, en qué basado.
• 5 minutos: ejercicio. Análisis falso (con errores alucinados). Equipo detecta dónde está el error.
• Material: checklist de validación antes de usar análisis de IA, ejemplos de alucinaciones reales en finanzas.

Cómo se materializa la formación

Vale, ya tienes por rol qué enseñar. ¿Cómo se hace sin que sea un papeleo más?

Sesión viva por rol. Reunión de 45-75 minutos según el rol. No es un vídeo asincrónico (se olvida). No es un PDF (no lo leen). Es vivo: 40 minutos contenido, 10 minutos Q&A, 5 minutos checklist impreso o en Notion.

Quién da la sesión: alguien de dentro que entiende de IA y entiende del rol. Idealmente no es un externo (suenan genéricos). Puede ser: responsable de IT, consultor interno, o tú mismo si dominas el tema.

Cuándo: antes de que empiecen a usar IA a escala. Si ya llevan 3 meses usando ChatGPT, formación después mitiga daño pero no lo previene.

Material:

• Presentación con casos reales de vuestro sector.
• Checklist en Notion o documento compartido (no papel, que se pierde).
• Si es digital: enlace a herramientas (ChatGPT, Claude, GitHub Copilot links), no las instaláis en formación (solo demo).
• Contacto de responsable: "Si dudas, pregunta a X. Esto no es para rellenar. Es para usar de verdad".

Refrescos periódicos. Una sesión inicial no cumple la ley. "Continua o periódica", dice el AI Act. Mínimo: revisión anual, o cuando llega herramienta nueva.

Enero, todas las áreas: "Qué cambió en IA desde el año pasado. Nuevas herramientas. Nuevos riesgos." 30 minutos.

Si en medio del año integráis Copilot en Office: sesión rápida de 15 minutos para usuarios de esa herramienta.

Errores que cometen las empresas al formar por rol

Porque no todas lo hacen bien.

Error 1: Mismo material para todos, adaptado.

"Haremos una presentación sobre IA, luego cada rol la contextualiza". Resultado: 20% retención. El commercial no ve cómo aplica a su trabajo. El contador piensa que no le toca.

Corrección: presentación específica por rol desde el primer minuto. De 10 minutos de cada sesión, 8 son del rol, 2 son generales.

Error 2: Sin ejercicios.

Formación teórica de 90 minutos. Todos escuchan, nadie practica. Dejan la sesión y no saben cómo se vería en su trabajo.

Corrección: ejercicio práctico de 10 minutos. Marketing: "Redactad un titular con ChatGPT en vivo, mostradme para revisar juntos". Ventas: "Escribid una propuesta asistidos por IA, checkeamos qué falta validar". Finanzas: "Este análisis tiene un error alucinado. ¿Dónde está?"

Error 3: Responsable único sin delegación.

"El CTO forma a todos sobre IA". Una sola persona. Resulta que el CTO está siempre en reuniones. Formación se retrasa. O la hace genérica porque no tiene tiempo de customizar.

Corrección: responsable de cumplimiento (puede ser RRHH o IT) que coordina, pero cada jefe de equipo hace su sesión con su gente. El CTO da marco, cada equipo detalla.

Error 4: Sin actualización.

"Formamos en 2025, ya está". 2026: ChatGPT saca GPT-5, cambia todo. Usuarios todavía creen en riesgos de 2025 que ya no existen. O no saben de nuevos riesgos.

Corrección: calendario de actualizaciones. Enero de cada año: 30 minutos. Mínimo. Si es sector regulado (finanzas, abogacía): cada cuatrimestre.

Error 5: Sin documentación de asistencia.

Formación ocurre, pero nadie anota quién vino. Llega auditoría: "¿Formaron a equipo de ventas en IA?" Empresa: "Claro, hicimos sesión en marzo". Auditor: "¿Evidencia?" Silencio. No cumplen.

Corrección: formulario de Google Forms de 30 segundos. "He asistido a la sesión de IA del 15/03/2026. Confirmo que entiendo los riesgos descritos." Google guarda responses, listado automático. 2 minutos de setup.

Por qué esto cierra el gap

El capítulo 1 te dice "tienes que formar". El capítulo 3 (próximo) te dice "política de privacidad y gobernanza". Este capítulo 4 te dice: aquí, por rol, qué forma tiene que tomar esa formación.

No es genérico. No es "conozcan IA". Es:

• Marketing: saben qué datos no subir, cómo revisar output, qué es alucinación.
• Ventas: entienden que alucinaciones en cifras = promesas rotas, protegen datos de cliente.
• RRHH: detectan sesgo, respetan GDPR, pueden explicar por qué fue rechazado alguien.
• Finanzas: validan números, documentan análisis, no confían ciegamente en predicciones.

Cada uno de verdad sabe lo que necesita. Y cuando inspector pregunta "¿formaste a este equipo?", tienes sesión documentada, checklist firmado, evidencia.

El siguiente capítulo entra en prompt engineering: patrones específicos que funcionan para cada rol. Antes, asegúrate que todos entiendan dónde pisas.

Próximos capítulos en esta serie

• Cap 1: Qué obliga el artículo 4 del AI Act.
• Cap 2: Nivel básico. Cómo funciona un LLM sin jerga técnica.
• Cap 3: Datos y privacidad al usar IA generativa.
• Cap 4: Alfabetización por rol (marketing, ventas, RRHH, finanzas). Estás aquí.
• Cap 5: Prompt engineering aplicado. 7 patrones para el equipo.
• Cap 6: Shadow AI, política interna y auditoría del artículo 4.

Fuentes

• Reglamento (UE) 2024/1689 - Artículo 4 en EUR-Lex
• Directiva 2000/78/CE sobre igualdad de trato en el empleo (protección contra discriminación)
• GDPR - Derecho a explicación de decisiones automatizadas (Art. 22)
• AI Act - Derecho a explicación en sistemas de IA (Art. 86)
• Guía del ICO (UK) sobre IA y GDPR
• CNIL (Francia) - Recomendaciones sobre IA generativa
• AEPD (España) - Posición sobre IA y derecho a explicación