Lo que migrar el aprendizaje corporativo de un LMS a SharePoint me enseñó sobre contexto, curación y el aprendizaje en el flujo de trabajo
Durante mucho tiempo, el aprendizaje corporativo ha seguido un guion conocido.
Aparece un tema nuevo. Alguien decide que la gente necesita aprenderlo. Se crea un curso, se sube un video, se adjunta una presentación y se coloca una evaluación de opción múltiple al final. Una vez que todo está listo, se envía el mensaje: nuevo curso lanzado, vayan a ver el video, completen la evaluación y márquenlo como terminado.
No hay nada intrínsecamente malo en ese modelo. En muchos casos, sigue teniendo sentido. Un LMS tradicional ofrece a las organizaciones una forma de organizar, rastrear y entregar capacitación a escala. Es especialmente útil cuando el objetivo es el cumplimiento normativo (compliance), la certificación, la progresión formal o los reportes estructurados. El problema no es que los cursos sean inútiles, que los videos estén obsoletos o que las evaluaciones no tengan valor.
El problema es que, con demasiada frecuencia, el aprendizaje corporativo le pide a los estudiantes que salgan del flujo de trabajo para aprender algo que supuestamente los va a ayudar a trabajar mejor.
Eso crea una contradicción silenciosa. Decimos que el aprendizaje debe ser relevante, práctico y conectado con el rendimiento, pero después solemos ubicarlo en un entorno separado, con una lógica diferente, otra navegación, plazos distintos y otras expectativas. El estudiante tiene que detener lo que está haciendo, ir a otro lugar, consumir el contenido, completar la actividad y regresar a su puesto esperando que ese conocimiento se transfiera a su día a día.
A veces ocurre. Muchas veces, no.
En un mundo donde las personas ya están rodeadas de mensajes, reuniones, tableros, documentos, plataformas, procesos y cambios constantes, el aprendizaje que se siente como trabajo extra siempre tendrá dificultades para competir con el trabajo mismo. Esto no se debe a que a la gente no le importe aprender. Es porque la atención es limitada, el tiempo está fragmentado y el valor de una experiencia de aprendizaje suele juzgarse mediante una pregunta muy simple: ¿cómo me ayuda esto ahora mismo?
Esa pregunta ha estado en mi mente mientras migraba contenido de L&D corporativo desde un LMS tradicional hacia SharePoint.
Al principio, el trabajo parecía una simple migración de plataforma. Mover contenido de un lugar a otro, rediseñar páginas, organizar recursos, mejorar el acceso y hacer que las cosas fueran más fáciles de encontrar. Pero cuanto más me adentraba en el proceso, más me daba cuenta de que el verdadero cambio no era técnico. Era conceptual.
Esto no era solo una migración de un LMS a SharePoint. Era un cambio de la entrega de cursos al acceso al conocimiento.
Era un cambio de el aprendizaje como un destino a el aprendizaje como parte del ecosistema de trabajo.
Y una vez que el aprendizaje se acerca al ecosistema de trabajo, el rol de la IA también cambia.
Porque si los estudiantes van a usar la IA dentro de sus flujos de trabajo diarios, entonces L&D no puede enfocarse únicamente en enseñar a la gente cómo armar un prompt. También necesitamos pensar a qué está conectada esa IA, qué contexto ve, qué lenguaje utiliza, en qué conocimiento confía y cómo apoya a las personas cuando necesitan ayuda.
En otras palabras: la IA necesita profesores también.
De “andá a hacer el curso” a “preguntá cuando lo necesites”
El viejo modelo de aprendizaje suena más o menos así: nuevo curso lanzado, vayan a ver el video, lean la presentación y completen la evaluación.
El modelo emergente suena diferente: hay nuevo conocimiento disponible, ya es parte del ecosistema, el agente lo ha ingerido, vayan a hacer sus preguntas cuando las necesiten.
Esa frase representa un cambio mucho mayor de lo que parece a primera vista. No significa que los materiales de aprendizaje tradicionales desaparezcan. No significa que dejemos de crear videos, artículos, guías, listas de verificación, soportes de desempeño, presentaciones, ejemplos o evaluaciones. De hecho, esos materiales pueden volverse aún más importantes, pero su rol cambia.
Un video ya no es solo un video. También puede convertirse en una transcripción, una explicación indexada para búsquedas, una fuente para un agente de IA, un conjunto de ejemplos, un glosario, una sección de preguntas frecuentes, un escenario o una guía para la toma de decisiones. Un curso ya no es únicamente un contenedor de contenido; puede transformarse en parte de una base de conocimiento estructurada. Un trayecto de aprendizaje ya no es solo una secuencia de módulos; puede ser un mapa de conceptos, herramientas, comportamientos, preguntas y momentos de necesidad.
Acá es donde SharePoint se vuelve interesante para mí. No porque sea mágico, sino porque vive mucho más cerca del lugar donde ya ocurre el trabajo. Las personas ya se mueven dentro de Microsoft 365. Usan Teams, documentos, páginas, listas, formularios, búsquedas, espacios compartidos y automatizaciones. Ya están dentro de ese ecosistema todos los días.
Entonces la pregunta pasa a ser simple: ¿por qué el aprendizaje tendría que vivir en otro lado?
Si los estudiantes necesitan apoyo, deberían poder hacer preguntas en su propio lenguaje, en el momento exacto en que necesitan ayuda y dentro del mismo ecosistema curado por el que ya navegan. No deberían tener que saber siempre el nombre exacto del curso, el título del módulo, la ubicación del video o la carpeta donde alguien subió una presentación hace seis meses.
Deberían poder preguntar: “¿Cómo aplico esto a mi tarea actual?”, “¿Qué significa este concepto en palabras simples?”, “¿Por dónde empiezo si soy nuevo en este proceso?” o “¿Me podés mostrar un ejemplo basado en mi rol?”
Eso es más que acceso a contenidos. Eso es aprendizaje en el flujo de trabajo.
El agente es tan inteligente como su ecosistema
Pero hay una trampa.
Si queremos que los usuarios hagan mejores preguntas dentro del ecosistema de trabajo, el agente de IA necesita un mejor contexto. Y ese contexto no aparece por arte de magia.
Acá es donde muchas implementaciones de IA caen en un error común. Imaginamos que podemos conectar una herramienta de IA a un repositorio y que, de repente, entenderá a la organización. Apuntala a SharePoint, dejá que lea todo y esperá a que emerja la inteligencia.
Pero eso no es inteligencia. Eso es exposición.
Y la exposición a un conocimiento desordenado puede generar respuestas desordenadas.
Si un repositorio contiene documentos desactualizados, páginas duplicadas, versiones en conflicto, falta de claridad sobre los propietarios de la información, lenguaje ambiguo, archivos desconectados y materiales viejos que ya nadie usa, la IA no sabrá automáticamente qué es lo importante. No va a adivinar mágicamente qué fuente es la autoritativa, qué documento es el vigente, qué terminología refleja la estrategia actual o qué explicación ya no es válida.
Verá el desorden y luego, con una confianza impresionante, es muy probable que reproduzca ese mismo desorden.
Esta es una de las razones por las que creo que la IA necesita profesores también. Necesita conocimiento curado, límites claros, fuentes actualizadas, intencionalidad pedagógica, retroalimentación humana, validación de expertos (SMEs), pruebas y mantenimiento. Necesita que alguien defina qué debe saber el agente, qué debe ignorar, qué cosas nunca debería responder con total certeza, qué fuentes priorizar y cuándo debe redirigir al usuario hacia una persona real.
Ese trabajo no es meramente técnico. Está profundamente conectado con el diseño de aprendizaje.
O, para ser más precisos, con el diseño de sistemas de aprendizaje.
Cuando el contenido se convierte en infraestructura
Cuando el contenido de aprendizaje vive únicamente dentro de un curso, su audiencia principal es el estudiante humano. El objetivo es presentar la información con la claridad suficiente para que alguien la consuma, la entienda y, con suerte, la aplique más adelante.
Pero cuando ese mismo contenido pasa a formar parte de un ecosistema de conocimiento, tiene al menos dos audiencias. Todavía necesita servir al estudiante humano, pero también debe servir al sistema de IA que podría recuperar, explicar, resumir, conectar con otras ideas o utilizar esa información para responder una pregunta en el momento de necesidad.
Eso cambia nuestra forma de diseñar.
Un video largo sin transcripción puede funcionar como un objeto de aprendizaje pasivo, pero es débil como parte de un sistema de conocimiento preparado para la IA. Una presentación hermosa con títulos vagos y poca explicación escrita puede funcionar durante una sesión en vivo, pero no va a alcanzar para un agente que necesita responder preguntas específicas más tarde. Un documento de política interna puede estar completo desde el punto de vista legal o procedimental, pero si es denso, está lleno de excepciones y desconectado de ejemplos prácticos, será difícil de usar tanto para los humanos como para la IA.
Esto no significa que haya que simplificar todo hasta que pierda profundidad. Significa que el contenido debe volverse más estructurado, localizable, contextual y usable. Necesita mejores encabezados, mejores resúmenes, ejemplos claros, metadatos enriquecidos, un control de versiones riguroso, responsables definidos y conexiones claras entre conceptos.
En un LMS tradicional, el contenido puede sobrevivir como un objeto estático. En un ecosistema de conocimiento, el contenido se comporta más bien como infraestructura. Sostiene a las personas, a los agentes, a las búsquedas, al onboarding, al desempeño, a los reportes y a las futuras actualizaciones.
Eso requiere una mentalidad de diseño diferente.
Ya no nos preguntamos solamente: “¿Este curso está claro?”. También nos preguntamos: “¿Este conocimiento se puede encontrar, es confiable, se puede cuestionar, reutilizar, actualizar y aplicar?”
“Mini Brains” como arquitecturas de aprendizaje acotadas
Por eso sigo volviendo a la idea de los Mini Brains.
Para mí, los Mini Brains no son simplemente mejores prompts. Son pequeñas arquitecturas de aprendizaje portátiles para guiar el comportamiento de la IA. Un prompt suelto dice: “Ayudame con esta tarea”. Un Mini Brain dice: “Esto es quién sos, esto es lo que tenés permitido hacer, este es el conocimiento que debés usar, estos son los límites que tenés que respetar, este es el proceso que vas a seguir y acá es donde el humano mantiene el control”.
Esa diferencia es clave porque cuando introducimos la IA en los ecosistemas de aprendizaje, no le estamos pidiendo simplemente que genere contenido. Le estamos pidiendo que participe en una relación de conocimiento con el usuario.
Y esa relación necesita diseño.
Un agente que apoya en el onboarding no debería comportarse igual que uno asignado a temas de compliance. Un agente que ayuda con marcos estratégicos no debería funcionar igual que uno diseñado para reescribir un párrafo. Un agente que asiste a un estudiante no debería limitarse a darle las respuestas; debería ayudarlo a comprender, cuestionar, verificar y aplicar.
Acá es donde la distinción entre delegar (offloading) y andamiar (scaffolding) se vuelve esencial.
El mal uso de la IA puede convertirse en delegación ciega, donde el usuario externaliza el pensamiento y recibe un resultado ya terminado. El buen uso de la IA se convierte en un andamiaje, donde el usuario recibe un soporte que lo ayuda a pensar mejor, a hacer mejores preguntas y a actuar con mayor seguridad.
El objetivo no es construir agentes que aprendan por las personas.
El objetivo es construir agentes que ayuden a las personas a seguir aprendiendo.
Esa diferencia lo es todo.
El nuevo rol de L&D
Este cambio transforma el rol de L&D (Learning and Development) de una manera muy práctica.
En el modelo anterior, L&D solía ser tratado como una fábrica de producción de contenidos. Un stakeholder solicitaba un tema, el equipo de aprendizaje creaba un curso, el curso se publicaba, se registraba la finalización y el trabajo se consideraba terminado.
Pero en un ecosistema de conocimiento, la publicación no es el final del trabajo. Es el comienzo de un sistema vivo.
El contenido necesita mantenerse actualizado. El agente debe seguir alineado. Las preguntas de los usuarios revelan vacíos de información. El comportamiento de las búsquedas expone confusiones. El feedback muestra qué ejemplos hacen falta. Las prioridades del negocio cambian, por lo que la base de conocimiento también debe cambiar.
Esto significa que L&D pasa de ser una fábrica a parecerse más a un equipo de infraestructura de aprendizaje.
No solo creamos objetos de aprendizaje; diseñamos las condiciones para que las personas, el conocimiento y los sistemas de IA puedan trabajar juntos de manera responsable. Eso incluye curar contenido, estructurar el conocimiento, diseñar rutas de acceso, crear recursos optimizados para IA, construir agentes y Mini Brains, definir límites, colaborar con expertos, probar los resultados del sistema, mantener la alineación y ayudar a los estudiantes a usar la IA sin entregar su propio juicio crítico.
Es acá donde veo la evolución del rol de Learning Experience Designer (Diseñador de Experiencias de Aprendizaje) hacia el de Learning Systems Designer (Diseñador de Sistemas de Aprendizaje).
La experiencia sigue importando; de hecho, importa más que nunca. Pero la experiencia ya no se limita a la página de un curso, a un video o a una evaluación. La experiencia ahora abarca todo el ecosistema que rodea al estudiante.
¿Pueden encontrar lo que necesitan? ¿Pueden preguntar con sus propias palabras? ¿Pueden confiar en la respuesta? ¿Pueden ver de dónde salió la información? ¿Pueden seguir pensando en lugar de aceptar un resultado a ciegas? ¿Pueden aplicar ese conocimiento en el contexto real de su trabajo?
Esas son preguntas de diseño de aprendizaje.
Y también son preguntas de diseño de sistemas.
Aprender donde ocurre el trabajo
La promesa de la IA en L&D no es que podamos generar más cursos de forma más rápida. Eso puede ser útil a veces, pero no es la verdadera transformación.
La verdadera transformación es que el aprendizaje puede volverse más situado, sensible al contexto e integrado. En lugar de pedirle a la gente que deje su trabajo para consumir contenido, podemos llevar soporte estructurado directamente al entorno donde el trabajo ya sucede. En lugar de tratar a la IA como una máquina de atajos, podemos tratarla como una interfaz de aprendizaje contextual. En lugar de construir cursos aislados, podemos construir sistemas de conocimiento que ayuden a las personas y a los agentes a aprender desde la misma base curada.
Esto no se trata de reemplazar los materiales tradicionales. Se trata de darles un nuevo rol.
Un curso puede seguir existiendo. Un video puede seguir existiendo. Una guía o una evaluación también. Pero no deberían quedar flotando solos, desconectados de la realidad diaria del trabajo. Deberían integrarse en un sistema más amplio donde el conocimiento sea más fácil de encontrar, de cuestionar, de aplicar y de mantener.
Esa es la oportunidad que veo al mover el aprendizaje a SharePoint y a ecosistemas de trabajo similares. No es solo un lugar mejor para guardar archivos; es una mejor manera de hacer que el contenido esté vivo.
Enseñar a los sistemas que apoyan a los humanos
Cuanto más incorporamos la IA al aprendizaje, más necesitamos dejar de tratarla como si fuera magia.
Un agente de IA no sabe automáticamente qué es lo importante. No entiende la cultura de la organización por defecto. No respeta la estrategia de aprendizaje de forma innata. No sabe qué documento es el vigente, qué marco conceptual es el preferido, qué ejemplo es el adecuado o qué respuesta podría generar confusión.
Necesita que le enseñen.
No una sola vez, sino de manera continua.
Y esa enseñanza no es solo técnica. Es pedagógica, estratégica y humana. Necesitamos prevenir los errores del sistema enseñándole a los agentes con contexto curado, instrucciones claras, conocimiento bien estructurado, bucles de retroalimentación y criterio humano.
El futuro de L&D no es solo enseñar a las personas cómo usar la IA. También es enseñar a la IA cómo apoyar a las personas dentro del contexto real de su trabajo.
Ese puede ser uno de los giros más importantes que tenemos por delante.
Porque si la IA va a formar parte del ecosistema de aprendizaje, entonces L&D tiene la responsabilidad de dar forma a ese ecosistema con intención. No persiguiendo cada herramienta de moda, no reemplazando cada curso con un chatbot y no pretendiendo que la automatización equivale a aprender, sino haciendo mejores preguntas.
¿En qué conocimiento debe confiar este sistema? ¿Cómo debería este agente apoyar al estudiante? ¿Dónde debe el humano mantener el control? ¿Qué tipo de pensamiento estamos intentando fortalecer? ¿Cómo hacemos que el aprendizaje sea más accesible sin hacer que pensar sea más fácil de evitar?
Esa última pregunta es la que más me importa.
Porque el objetivo no es eliminar al estudiante del proceso. El objetivo es crear mejores condiciones para el aprendizaje, la reflexión, la toma de decisiones y el crecimiento.
Un buen ecosistema de aprendizaje no se limita a responder más rápido.
Ayuda a entender mejor.
And si queremos que los agentes de IA formen parte de ese ecosistema, entonces sí:
La IA necesita profesores también.
