Guía de uso para AI Fluency Index de Claude

Esta guía funciona para equipos de cualquier tamaño, ya sea que seas un grupo de liderazgo explorando el desarrollo de habilidades en IA, un equipo docente discutiendo las implicaciones para tu institución, o una comunidad de aprendizaje profesional reflexionando sobre cómo colaboras con la IA en el trabajo.

Prepara el escenario

Cada sección a continuación incluye un breve resumen de un tema clave, seguido de indicaciones de discusión. No necesitas cubrir cada sección o cada pregunta. Elige lo que sea más relevante para tu grupo.

Formato sugerido:

• Destina de 45 a 60 minutos para una discusión enfocada.
• Pide a los participantes que lean o revisen el informe con anticipación.
• Selecciona de 2 a 3 secciones de discusión y una actividad opcional.

Tema 1: Lo que tu equipo ya está haciendo bien

Los datos muestran que la mayoría de las personas ya demuestran naturalmente varios comportamientos de fluidez. Aproximadamente el 86% de las conversaciones incluyen iteración y refinamiento. Alrededor de la mitad incluye clarificación de objetivos. Cerca del 41% incluye ejemplos de cómo se ve un buen resultado. Estas son habilidades reales, y es probable que muchas personas en tu equipo ya las estén practicando.

Indicaciones de discusión

1. Al observar el gráfico de prevalencia de comportamientos en el informe, ¿qué comportamientos de fluidez crees que son más fuertes en tu equipo? ¿Cuáles supondrías que son los más débiles?

2. El comportamiento más común es la iteración y el refinamiento. Cuando piensas en cómo tu equipo usa la IA, ¿las personas tienden a iterar y cuestionar las respuestas iniciales, o aceptan el primer resultado? ¿Qué impulsa ese comportamiento?

Tema 2: El efecto de la iteración

La iteración y el refinamiento es el correlato más fuerte de todos los demás comportamientos de fluidez en los datos. Las conversaciones con iteración muestran tasas sustancialmente más altas en todos los ámbitos: +23.6pp para clarificar objetivos, +22.6pp para proporcionar ejemplos, +17.1pp para identificar contexto faltante, +16.3pp para especificar el formato, y +14.7pp para cuestionar el razonamiento.

Indicaciones de discusión

1. El informe muestra que la iteración está correlacionada con más comportamientos de fluidez, pero aún no puede probar causalidad. ¿Qué crees que explica esta relación? ¿Podría ser que las tareas más complejas naturalmente requieran tanto iteración como más habilidades de fluidez?

2. ¿Qué barreras podrían impedir que las personas de tu equipo iteren? Piensa en la presión de tiempo, el esfuerzo percibido, la incertidumbre sobre qué preguntar a continuación, o simplemente no saber que la iteración es valiosa.

3. Si estuvieras diseñando una norma o práctica de equipo para fomentar más iteración, ¿cómo se vería? ¿Cómo se vería un mensaje de seguimiento “bueno” en comparación con uno menos efectivo?

Tema 3: El efecto del artefacto

Cuando la IA produce resultados pulidos, los usuarios ponen más esfuerzo en dirigir el trabajo desde el principio, pero se vuelven menos propensos a evaluar lo que reciben. El informe llama a esto el efecto del artefacto.

Los datos muestran tasas más altas de comportamientos directivos en las conversaciones con artefactos: +14.7pp para clarificar objetivos, +14.5pp para especificar el formato, +13.4pp para proporcionar ejemplos, y +9.7pp para iterar. Pero los tres comportamientos de discernimiento disminuyen: -3.1pp para cuestionar el razonamiento, -3.7pp para verificar hechos, y -5.2pp para identificar contexto faltante.

El informe ofrece varias explicaciones posibles, ya que estos datos son correlativos, no causales. Los resultados pulidos pueden señalar “terminado” incluso cuando no deberían. Las tareas con artefactos pueden implicar menos precisión factual que otros trabajos. O los usuarios pueden estar evaluando los resultados a través de otros canales, como ejecutar código o compartir borradores con colegas, en lugar de dentro de la conversación misma.

Indicaciones de discusión

1. ¿Alguna vez has aceptado un resultado generado por IA porque se veía pulido, solo para descubrir problemas más tarde? ¿Qué pasó?

2. El informe señala que los usuarios pueden estar evaluando los artefactos fuera de la conversación. En la experiencia de tu equipo, ¿dónde ocurre la evaluación real de los resultados de la IA? ¿Es en la conversación, o después?

3. El informe argumenta que, a medida que los modelos de IA producen resultados con apariencia cada vez más pulida, la capacidad de evaluar críticamente esos resultados se volverá más valiosa. ¿Qué ayudaría a las personas de tu equipo a mantener una mirada crítica cuando los resultados parecen terminados?

Tema 4: Cultivar la fluidez en IA en tu organización

La investigación señala tres áreas donde muchos usuarios podrían fortalecer sus habilidades: permanecer en la conversación (iterar), cuestionar los resultados pulidos, y establecer los términos de la colaboración.

Indicaciones de discusión

1. De las tres recomendaciones del informe (iterar más, cuestionar los resultados pulidos, establecer los términos de la colaboración), ¿cuál te parece más viable para tu equipo en este momento? ¿Cuál sería la más difícil de adoptar, y por qué?

2. El informe sugiere decirle a la IA cómo quieres que interactúe contigo, con instrucciones como “cuestiona mis suposiciones si están equivocadas” o “dime sobre qué tienes incertidumbre”. ¿Alguien en tu equipo ha probado esto? ¿Qué diferencia hizo?

3. ¿Cómo es el enfoque actual de tu organización para el desarrollo de habilidades en IA? ¿Es capacitación formal, aprendizaje entre pares, prueba y error, o algo más? ¿Qué tan bien está funcionando?

4. Si pudieras enfocarte en desarrollar una habilidad de fluidez en IA en toda tu organización durante el próximo trimestre, ¿cuál sería? ¿Cuál sería un paso concreto que podrías tomar para empezar?

Actividades opcionales

Estos ejercicios prácticos pueden extender la discusión hacia la práctica. Elige uno según los intereses de tu grupo y el tiempo disponible.

El desafío de la iteración (15 minutos)

Cada participante abre una conversación con Claude sobre una tarea relevante para su trabajo. Después de recibir la primera respuesta, debe enviar al menos tres mensajes de seguimiento que refinen, cuestionen o redirijan antes de considerar el resultado completo. Después, discutan: ¿cómo cambió el resultado? ¿Qué se habrían perdido si se hubieran detenido en la primera respuesta?

Detecta el vacío (15 minutos)

Haz que Claude genere un artefacto (un documento, un fragmento de código, un análisis) sobre un tema que tu grupo conozca bien. Revisen el resultado juntos e identifiquen qué parece correcto pero puede estar equivocado, qué falta, y qué suposiciones quedaron sin verificar. Usa esto para fundamentar la conversación sobre habilidades de evaluación.

Establece los términos (10 minutos)

Cada participante escribe un breve “preámbulo de colaboración” que usaría al comienzo de conversaciones importantes con la IA: cómo quiere que el modelo interactúe con él o ella, qué tipo de cuestionamiento desea, qué espera que el modelo señale. Compartan y comparen enfoques dentro del grupo.