Tu formación de cumplimiento dice que todos aprobaron. Construí un modelo que sabe que no.

Una responsable de cumplimiento en un banco me guió una vez a través de su recertificación anual contra el blanqueo de capitales. Quinientas personas en la función de cumplimiento, un único módulo de cuatro horas, a todos se les asignó el mismo contenido: diligencia debida del cliente, notificación de actividades sospechosas, detección de transacciones estructuradas, blanqueo de capitales basado en el comercio, cribado de sanciones. Al final, su sistema de aprendizaje generó quinientas marcas de verificación verdes. Me las mostró como quien le muestra un recibo a alguien.

Entonces dijo lo que no he podido dejar de oír desde entonces: que no tenía ni idea de cuáles de esas quinientas personas sabían realmente cómo presentar un informe de actividad sospechosa.

Esa brecha — entre completado y sabe — es toda la razón por la que ahora dedico mi tiempo a construir IA de aprendizaje adaptativo para la formación corporativa. No del tipo motor de recomendaciones que sugiere tu próximo curso. Del tipo diagnóstico, construido sobre una técnica llamada rastreo del conocimiento, que modela lo que cada empleado sabe realmente, concepto por concepto, y actualiza esa estimación cada vez que responde una pregunta. Su LMS rastreaba la finalización. Lo que ella necesitaba era un sistema que rastreara la competencia. Nosotros construimos esa capa de competencia, y es la solución en la que mi equipo trabaja cada día.

Una marca de verificación verde le dice a un auditor que un vídeo terminó de reproducirse. No le dice nada sobre si alguien aprendió a hacer el trabajo.

La brecha de 102.800 millones de dólares entre «hecho» y «sabe»

Las empresas estadounidenses gastaron 102.800 millones de dólares en formación en 2025, frente a los 98.000 millones del año anterior — es la cifra de Training Magazine, y equivale a unos 874 dólares por alumno. La mayor parte de ese dinero compra datos de finalización. SCORM, el formato de archivo en el que todavía se distribuye la mayoría de los cursos corporativos, se diseñó en torno a una especificación 1.2 que registra aprobado, suspenso y finalización. Eso es todo. Es una hoja de asistencia con mejores valores de producción.

Me parece genuinamente extraño cuando te detienes a pensarlo. Hemos pasado dos décadas optimizando la entrega de la formación — vídeo más pulido, móvil, microaprendizaje — y casi nada de ese esfuerzo se destinó a medir si la formación cambiaba lo que alguien es capaz de hacer. The Josh Bersin Company publicó un artículo en febrero de 2026 que sostenía que la IA está a punto de transformar 400.000 millones de dólares de aprendizaje corporativo, y la estadística que se me quedó grabada fue esta: menos del 5% de las empresas ha desplegado realmente tecnología de aprendizaje nativa de IA. Todo el mundo tiene un LMS. Casi nadie tiene inteligencia dentro de él.

Y el coste de esa brecha ya no es abstracto. Los datos de Bersin muestran que las empresas que usan aprendizaje nativo de IA tienen seis veces más probabilidades de superar sus objetivos financieros. Del otro lado, el 74% de las empresas dice que no puede seguir el ritmo de la demanda de nuevas competencias, y la vida media de una competencia profesional ha caído de unos diez años en 2000 a menos de cinco hoy. He visto a los equipos de aprendizaje y desarrollo responder a ese desplome de la única forma que sus herramientas les permiten: distribuyendo más contenido, más rápido. Entiendo el instinto, porque durante veinte años más contenido fue la única palanca que los sistemas nos dieron. La palanca nunca fue el problema. El instrumento que usamos para medir si algo de eso funcionó, sí.

La primera versión que construí estaba equivocada, y tenía muy buen aspecto

Esta es la parte de la que no estoy orgulloso. Cuando empecé a construir esto, recurrí al modelo obvio. En la literatura sobre rastreo del conocimiento hay un enfoque muy conocido llamado Deep Knowledge Tracing — DKT — que usa una LSTM, un tipo de red neuronal recurrente, para predecir si un alumno acertará la siguiente pregunta. Es el punto de partida canónico. Lo conectamos, lo alimentamos con datos de interacción, y los paneles eran hermosos. Curvas de dominio que ascendían, una precisión de predicción que parecía respetable.

Estaba listo para presumir de ello. Luego volví a aquel caso de uso de prevención del blanqueo de capitales e intenté responder a la verdadera pregunta de la responsable de cumplimiento — ¿qué concepto no conoce este analista en concreto? — y el modelo no podía decírmelo. Podía decirme si alguien iba «bien» en general. No podía afirmar con claridad «es sólida en diligencia debida del cliente y peligrosa en blanqueo de capitales basado en el comercio».

Me llevó más tiempo del que debería entender por qué. Hay un artículo de 2025 de la comunidad de Minería de Datos Educativos que plantea un argumento silenciosamente brutal: el DKT básico aprende capacidad, no conocimiento por habilidad. Modela una señal general del tipo «esta persona es buena en el examen» en lugar del dominio a nivel de concepto. Peor aún, los investigadores han demostrado que las RNN sin entrenar — redes con pesos aleatorios — pueden igualar a los modelos DKT entrenados en algunos benchmarks. Mi hermoso panel estaba, en un sentido real, midiendo sensaciones.

Había construido un modelo que era seguro, de apariencia precisa e incapaz de responder la única pregunta para la que existía todo el proyecto.

Aquel mes se sintió como un callejón sin salida. Había prometido evidencia de competencia y había construido un medidor de confianza que no sabía de qué estaba seguro.

Por qué reconstruimos sobre la atención en lugar de la memoria

La salida vino de la generación más nueva de modelos de rastreo del conocimiento — los autoatentivos. Pasamos a SAKT, Self-Attentive Knowledge Tracing, y luego a AKT, la variante atentiva sensible al contexto. En lugar de comprimir todo el historial de un alumno en una única memoria recurrente, estos modelos usan la atención para preguntar, en cada nueva pregunta, ¿cuáles de tus respuestas pasadas son realmente relevantes para esta competencia ahora mismo? AKT va más allá e incorpora ideas de la teoría de la medición educativa, ajustando la dificultad sobre la marcha.

Los beneficios prácticos eran los que me importaban. SAKT hace esto con alrededor de 700.000 parámetros y un AUC cercano a 0.80 — lo bastante pequeño para ejecutarse de forma eficiente, lo bastante preciso para confiar en él, y, algo crucial, produce una probabilidad de dominio por concepto en lugar de una única puntuación de competencia borrosa. AKT resultó ser el mejor ajuste cuando un escenario necesita realmente instrucción individualizada, que es exactamente lo que es la recertificación de cumplimiento. Hay una ventaja silenciosa que los datos corporativos tienen sobre los benchmarks académicos para los que se construyeron estos modelos: las secuencias de cumplimiento son cortas y de alto riesgo, no los registros de tutoría de mil interacciones que hacen de la predicción de secuencias largas el difícil problema abierto de la literatura. Aquello con lo que más luchan los artículos, en su mayoría, no es nuestro problema.

Fue entonces cuando el ejemplo de prevención del blanqueo de capitales finalmente se representó como debía. Imagina un mapa de calor: las filas son empleados, las columnas son los cinco conceptos de PBC, cada celda una probabilidad de que esa persona haya dominado ese concepto. Una analista sénior de BSA con ocho años en el puesto se ilumina en verde en diligencia debida del cliente, notificación de actividades sospechosas, sanciones — pero aparece en ámbar en blanqueo de capitales basado en el comercio. Un director de sucursal con seis meses en el puesto no está verde en nada y en rojo intenso en la presentación de SAR y TBML. El mismo módulo, necesidades radicalmente distintas.

La analista sénior no debería pasar cuatro horas para volver a demostrar lo que evidentemente sabe; debería verificar rápidamente los conceptos dominados y dedicar su tiempo al único punto débil. El nuevo director necesita itinerarios más lentos y con andamiaje exactamente allí donde sus probabilidades son más bajas. Fijamos umbrales que podíamos defender ante un auditor: por encima de aproximadamente 0.75, tratar el concepto como dominado y verificar brevemente; en la banda intermedia, esa es la zona de esfuerzo productivo donde el aprendizaje realmente ocurre; por debajo de 0.35, detenerse y remediar con apoyo. El modelo actualiza cada celda con cada respuesta.

A lo largo de quinientos empleados, esa es la diferencia entre dos mil horas de tiempo de asiento idéntico y algo así como la mitad — con más sólida evidencia al final, no más débil. A 874 dólares por alumno, la productividad recuperada en una sola función de cumplimiento de quinientas personas se sitúa en las bajas centenas de miles de dólares al año. Esto no es una proyección que yo haya inventado. Fulcrum Labs y Allegiant Airlines documentaron que el tiempo de formación bajó de 51 días a 23 — un recorte del 55% — con accidentes y daños a los equipos reducidos en un 60%. Y no son solo bancos y aerolíneas: una empresa global de tecnología médica que aplica el mismo enfoque adaptativo ahorró más de 16.000 horas de formación entre 113.000 alumnos, y una organización sanitaria redujo el tiempo de incorporación en un 22%. La materia cambia — manejo de datos de pacientes, protocolos de dispositivos, tipologías de PBC — pero el problema diagnóstico no. Un banco estadounidense entre los diez primeros aplicó cumplimiento adaptativo a más de 70.000 empleados y vio un 75% más de tráfico hacia los cursos obligatorios. La reducción del tiempo de asiento es real y ha sido demostrada por personas que no soy yo.

«¿No hace ya esto Cornerstone?»

Esta es la primera pregunta que me hacen, siempre, y es justa. En marzo de 2026 Cornerstone lanzó lo que llama un Adaptive Learning Agent dentro de su sistema Galaxy AI. Docebo adquirió 365 Talents para incorporar la evaluación de competencias. Toda la industria está estampando «aprendizaje adaptativo impulsado por IA» en la caja. Entonces, ¿por qué construir algo a medida?

Porque la mayor parte de lo que se vende como adaptativo es filtrado colaborativo, no rastreo del conocimiento — y la diferencia lo es todo. El filtrado colaborativo es la jugada de Netflix: las personas que completaron el Curso A tendían a hacer el Curso B a continuación, así que aquí tienes el Curso B. Recomienda en función de lo que hicieron tus pares. El rastreo del conocimiento hace algo categóricamente distinto: modela lo que tú has dominado y no has dominado específicamente, y apunta a la brecha. Uno es un motor de recomendaciones. El otro es un motor de diagnóstico. El agente de Cornerstone recomienda qué aprender a continuación; no mide el dominio a nivel de concepto. El seguimiento de competencias de Docebo se basa en gran medida en la declaración o en la finalización — el empleado dice que lo sabe, o terminó el curso — no se mide a partir de cómo interactuó realmente con el material.

Hay proveedores que hacen genuinamente bien el rastreo del conocimiento. Fulcrum Labs tiene un motor propietario y los casos de estudio que lo respaldan. Los actores de EdTech — empresas como Riiid, que recaudó 256 millones de dólares — tienen modelos reales de rastreo del conocimiento. Pero Fulcrum necesita que migres tu contenido a su plataforma, y los modelos de EdTech se construyeron para exámenes estandarizados y educación primaria y secundaria, no para flujos de trabajo de PBC y evidencia de auditoría. ¿Y las Cuatro Grandes? Deloitte y PwC te cobrarán un proyecto de transformación de la plantilla de 500.000 a 5 millones de dólares e instalarán Cornerstone o SAP a la perfección. Configuran la plataforma del proveedor. La inteligencia adaptativa sigue perteneciendo al proveedor, no a ti.

La mayoría de las empresas no necesita arrancar su LMS. Necesitan una capa de inteligencia que se conecte al que ya tienen.

Esa es la brecha en la que construimos: un motor de rastreo del conocimiento que se sitúa sobre tu sistema de aprendizaje existente y se comunica con él a través de estándares abiertos — xAPI para capturar datos de interacción granulares, LTI para pasar a los alumnos de un lado a otro. Conservas tu LMS. Nosotros añadimos el cerebro.

El verdadero riesgo no es el modelo — es el etiquetado

Te diré lo que las demos nunca mencionan, porque es lo que en realidad decide si uno de estos proyectos tiene éxito. La parte más difícil de construir un aprendizaje adaptativo no es la red neuronal. Es el etiquetado de contenidos.

Un modelo de rastreo del conocimiento solo puede rastrear el conocimiento que puede ver. Cada pregunta de tu módulo de cumplimiento tiene que estar mapeada a un concepto — este ítem evalúa el blanqueo de capitales basado en el comercio, aquel evalúa el cribado de sanciones — o el modelo no tiene nada que actualizar. La mayor parte del contenido corporativo llega como un montón de paquetes SCORM 1.2 que emiten una única señal de finalización y ninguna estructura de conceptos en absoluto. Pasar a xAPI significa poner en marcha un Learning Record Store, replantear tu gobernanza de datos y tu arquitectura de red, y a menudo reetiquetar el contenido pregunta por pregunta. No es glamuroso, es donde vive el trabajo de verdad, y es por lo que desconfío de cualquiera que te diga que el aprendizaje adaptativo es un interruptor que accionas.

Prefiero ser honesto sobre eso de entrada antes que ganar un proyecto con una promesa que no puedo cumplir. El modelo es la parte que puedo entregarte en unas pocas semanas. El etiquetado es la parte que hacemos juntos, y es la parte que marca la diferencia entre un sistema que produce evidencia de dominio de calidad de auditoría y uno que produce marcas de verificación más bonitas.

¿Hará el Reglamento de IA de la UE que el seguimiento de la finalización no valga nada?

Durante mucho tiempo, «competencia frente a finalización» fue un argumento de calidad — deseable, difícil de financiar. Eso está cambiando por el Reglamento de IA de la UE. El artículo 4, la obligación de alfabetización en IA, está en vigor desde el 2 de febrero de 2025, y la supervisión por parte de las autoridades nacionales de vigilancia del mercado comienza el 2 de agosto de 2026. Exige que el personal reciba formación en alfabetización en IA de una manera que sea apropiada a su función — y las propias directrices de la UE son explícitas en que no hay un formato único válido para todos. Basado en el rol, o no cuenta.

Piensa en lo que eso le hace al modelo de la marca verde. «Todos vieron el mismo vídeo de ética de la IA» es precisamente lo que el artículo 4 está diseñado para rechazar, y las sanciones sobre las disposiciones de alto riesgo llegan hasta los 35 millones de euros o el 7% de los ingresos globales. Los reguladores han demostrado que impondrán multas enormes por fallos de formación en dominios adyacentes — TD Bank recibió una sanción de 3.100 millones de dólares vinculada a un programa de cumplimiento de PBC inadecuado. El coste de tratar la formación como teatro ya no es hipotético.

Hay una segunda presión que no anticipé cuando empecé, y es casi cómica. Los empleados han descubierto que pueden apoyarse en asistentes de IA para pasar sin esfuerzo los módulos de cumplimiento — responder el cuestionario, hacer clic en completar, no aprender nada. HR Morning lo informó en 2026, y Gartner llegó incluso a predecir que hasta 2026 la mitad de las organizaciones exigirá evaluaciones de competencias «libres de IA» debido a la atrofia del pensamiento crítico. Cuando tu plantilla puede fingir la finalización a gran escala, la finalización deja de significar nada en absoluto. La única respuesta duradera es medir lo que alguien realmente sabe — que es precisamente para lo que se creó el rastreo del conocimiento.

Lo que le diría a esa responsable de cumplimiento ahora

La gente me pregunta si todo esto vale la pena para la formación, precisamente — ¿no es sobreingeniería para una obligación corporativa que nadie disfruta? Mi respuesta es que la hemos subingeniado durante veinte años, y la factura está venciendo desde dos direcciones a la vez: una vida media de las competencias que se ha desplomado por debajo de los cinco años, y un regulador que está a punto de pedir evidencia que en su mayoría no tenemos. Solo el 26% de los líderes se siente hoy siquiera capaz de medir el ROI de la formación. Aquello que elegimos no medir es lo que ha vencido.

Recuerdo aquella carpeta de quinientas marcas de verificación verdes. La tragedia no fue que la formación fuera mala. Fue que la organización había gastado dinero real y horas reales y acabó sabiendo menos de lo que creía que sabía — con confianza, por escrito, con registros de auditoría. La analista sénior estaba aburrida y el nuevo director estaba perdido, y el sistema informó de ambos como un éxito.

Si pudiera volver atrás y entregarle una sola cosa, no sería un vídeo mejor. Sería el mapa de calor — quinientas filas, cinco conceptos, cada celda un número que ella pudiera defender de verdad. No «todos aprobaron». Algo más verdadero y mucho más útil: esto es exactamente lo que sabe cada una de estas personas, y esto es lo que vamos a hacer con el resto. Ese es el sistema que construimos, y cuanto más tiempo hago esto, más convencido estoy de que «completado» nunca fue la respuesta a una pregunta que alguien tuviera de verdad.