He impartido formaciones sobre IA para equipos de comunicación en organizaciones de diferentes tamaños y sectores. La estructura habitual de lo que encuentro al llegar es siempre parecida: el equipo tiene acceso a dos o tres herramientas de IA generativa, las usa con frecuencia variable, y nadie ha definido todavía cuándo no usarlas.

Eso no es un problema de adopción tecnológica. Es un problema de criterio profesional.

Lo que enseñan las formaciones en IA para comunicadores

La mayoría de las formaciones disponibles siguen el mismo esquema: presentación de herramientas, demostración de casos de uso («mira lo que puede hacer con un prompt así»), ejercicios prácticos de generación de texto, y algún módulo sobre prompting avanzado. El resultado es que al final de la sesión, los participantes saben usar mejor una herramienta.

Eso es útil. No es suficiente.

Lo que esas formaciones no abordan es la pregunta que viene después: ¿y ahora qué hago con esto? ¿Cómo decido cuándo el output del modelo es lo suficientemente bueno para publicar? ¿Quién es responsable si el modelo inventó un dato y nadie lo detectó? ¿Cómo documento que supervisé lo que generé?

Cuándo no usar una herramienta de IA

El criterio más básico que trabajo en las formaciones que imparto es que la IA no sustituye el juicio profesional sobre qué se comunica, cuándo y en qué tono. Hay situaciones en las que usar IA para generar o redactar contenido es un riesgo que no compensa el ahorro de tiempo.

Las más comunes en comunicación corporativa:

• Comunicaciones en situación de crisis, donde el tono y la precisión son críticos y no hay margen de error
• Contenido sobre temas que involucran datos regulatorios, legales o financieros específicos de la organización, que el modelo no conoce y puede inferir incorrectamente
• Declaraciones atribuidas a personas concretas, que el modelo puede formular de forma inconsistente con la voz real de esa persona
• Contenido sensible sobre colectivos o situaciones que requieren conocimiento de contexto que el modelo no tiene o puede tratar de forma inadecuada

Ninguno de estos casos es obvio para alguien que acaba de descubrir lo que puede hacer ChatGPT con un buen prompt. Por eso el criterio necesita enseñarse, no asumirse.

Cómo detectar que una respuesta del modelo es incorrecta

Los modelos de lenguaje no distinguen entre lo que saben con certeza y lo que están infiriendo a partir de patrones. Generan texto que suena seguro aunque estén equivocados. Eso crea un problema específico para los equipos de comunicación: el output tiene aspecto de correcto aunque no lo sea.

Las señales de alerta que trabajo en las sesiones de formación son concretas. Un modelo que cita estadísticas sin fuente identificable merece verificación. Un modelo que describe la posición de la organización sobre un tema sin haber tenido acceso a los documentos de la organización está infiriendo, no reproduciendo. Un modelo que genera una cita atribuida a una persona real que nunca ha dicho eso exactamente es un riesgo legal y reputacional, no solo un error editorial.

La práctica que funciona: antes de usar cualquier dato, posición o cita que venga de un modelo de lenguaje en un contenido de comunicación corporativa, verificar la fuente primaria. Si no existe fuente primaria verificable, no usar el dato.

Qué implica firmar un contenido que generó un LLM

Esta es la conversación más incómoda en las formaciones, y la más necesaria. Cuando alguien firma un texto, asume responsabilidad profesional sobre su contenido. Eso no cambia porque el borrador lo haya generado un modelo de lenguaje.

El modelo no puede verificar. El modelo no puede responder. El modelo no tiene ORCID ni trayectoria que avale lo que dice. La persona que firma sí. Y si el contenido contiene errores, datos inventados o afirmaciones problemáticas, la responsabilidad es de quien lo firmó, no de la herramienta que generó el borrador.

En comunicación corporativa esto se vuelve más crítico porque el contenido sale bajo la marca de la organización y, en muchos casos, bajo el nombre de personas reales. El equipo de comunicación es el último filtro. Si ese filtro no funciona —si la supervisión es nominal y no real— el riesgo se traslada directamente a la reputación de la organización.

Un flujo de trabajo con criterio

Lo que funciona en la práctica no es prohibir el uso de IA ni convertir cada pieza de contenido en un proceso de validación de tres semanas. Lo que funciona es tener definidos de forma explícita tres elementos:

Para qué usos está autorizada la IA. No todas las tareas de comunicación tienen el mismo perfil de riesgo. La IA puede acelerar el trabajo en borradores iniciales, investigación de contexto, estructuración de argumentos. No debería ser el paso final en contenidos de alto impacto sin supervisión específica.

Qué revisa la persona supervisora y cómo. La revisión de un contenido generado con IA no es lo mismo que editar un texto escrito por un colega. El revisor tiene que verificar activamente los datos, no solo leer que el texto fluye bien. El proceso de revisión tiene que ser explícito y conocido por el equipo.

Cómo queda documentado el proceso. En el contexto del EU AI Act y de la presión creciente de transparencia sobre el uso de IA en comunicación corporativa, tener registros de qué se generó con IA, quién lo revisó y con qué criterios es parte de la gestión del riesgo reputacional y regulatorio de la organización.

Estos tres elementos son el contenido central de las formaciones in-house que imparto. No son una carga burocrática: son la diferencia entre un equipo que usa IA con criterio profesional y uno que usa IA con el riesgo de que algo salga mal antes de que alguien haya pensado en qué hacer cuando eso pase.