Guía

AI literacy y AI fluency: qué significa cada una y cómo medirlas en tu empresa

No existe un estándar para AI literacy y AI fluency. Lo más común es que literacy sea entender la IA y fluency, usarla con criterio en el trabajo. Cómo definirlas por rol y medirlas con evidencia.

Revisada el

Tres discos de cristal sobre un fondo azul, de gris a azul brillante, unidos por una línea de luz, con una regla de cristal debajo y una estrella de IA sobre el disco central

No existe una definición estándar de AI literacy ni de AI fluency. El uso más común las ordena así: AI literacy es entender la IA, con sus capacidades, sus límites y las reglas que rigen su uso. AI fluency es usarla con criterio en el trabajo real, verificando y mejorando lo que entrega. Otras fuentes emplean los dos términos como sinónimos, y una los asigna por rol: literacy para quienes deciden y fluency para quienes operan.

Para una empresa, la consecuencia es directa: escribir sus propias definiciones, asignarlas por rol y evaluarlas con evidencia de trabajo. Esta guía muestra cómo hacerlo. Los estudios y las fuentes quedan en un anexo al final, para quien quiera revisarlos.

Respuesta corta: ¿qué definir y cómo medirlo?

La recomendación es escribir, en una sola página, tres niveles. AI literacy es la base para todas las personas: entender qué hace la IA, dónde se equivoca y qué reglas rigen su uso. AI fluency es para quienes usan IA a diario en su rol: elegir cuándo usarla, darle contexto, verificar y mejorar lo que devuelve. AI leadership, una propuesta de EvoAcademy, es para quienes priorizan inversiones y supervisan su implementación. Cada nivel se asigna por rol y se mide con evidencia distinta: preguntas de situación para la base, una tarea práctica con rúbrica para el uso y la revisión de decisiones documentadas para el liderazgo.

Las definiciones propias son necesarias porque la misma palabra cambia de sentido según quién la use. En el anexo se muestra cómo cambia de una fuente a otra. Una empresa que contrata un curso o un diagnóstico sin definir antes qué significa cada término mide cosas distintas con las mismas palabras.

A lo largo del artículo se usa un caso ficticio: una cadena de retail de 1.200 personas que organiza su capacitación en IA. Las cifras y las situaciones del caso son ilustrativas.

¿Qué es AI literacy en la práctica?

En esta guía, AI literacy o alfabetización en IA es la base de conocimientos y habilidades para interactuar con sistemas de IA de manera informada y responsable. Incluye entender qué hace una herramienta, saber que se equivoca y conocer las reglas de uso de la organización.

También comprende una primera capacidad de revisión. La persona sabe que una respuesta convincente exige igual contrastar una cifra con la fuente original, identifica que un resumen omite información y reconoce los datos que no deben ingresarse en una herramienta.

En el trabajo, esta base se observa cuando alguien:

  • Reconoce una respuesta que necesita verificación antes de compartirse.
  • Revisa si la herramienta está autorizada para la tarea y para los datos que usará.
  • Identifica un error o una conclusión sin respaldo.
  • Pide apoyo cuando no sabe cómo proceder.

La profundidad técnica varía por rol. Quien prepara reportes entiende los riesgos de su tarea, y un equipo que desarrolla sistemas suma conocimientos adicionales. En ambos casos, la calidad del resultado y la responsabilidad por su uso cuentan desde el inicio.

Caso ilustrativo: la cadena de retail define una formación base para las 1.200 personas. Usa ejemplos de inventario, atención de clientes y documentos internos. Cada ejercicio explica qué datos son ficticios y qué herramienta está autorizada para practicar.

¿Qué es AI fluency en la práctica?

AI fluency o fluidez en IA es aplicar la IA con soltura en las tareas del propio trabajo: elegir cuándo usarla, darle contexto, evaluar lo que devuelve y asumir la responsabilidad del resultado. Stanford HAI la define como la capacidad de colaborar de forma productiva y responsable con sistemas de IA.

El marco de Dakan, Feller y Anthropic ofrece cuatro criterios para observarla:

  1. Delegación: decidir qué trabajo entregar a la IA y cuándo.
  2. Descripción: comunicar el objetivo y entregar el contexto necesario.
  3. Discernimiento: revisar si la respuesta es útil, pertinente y suficientemente respaldada.
  4. Diligencia: asumir responsabilidad por el proceso y por lo que se hace con el resultado.
Esquema de las cuatro competencias del marco de AI Fluency de Anthropic: delegación, descripción, discernimiento y diligencia, con la definición de cada una.
Las cuatro competencias del marco de AI Fluency, con las definiciones traducidas por EvoAcademy. Fuente: Rick Dakan y Joseph Feller, con Anthropic (2025), licencia CC BY-NC-SA 4.0.

Estos criterios se adaptan a cada función. Una persona de marketing prepara alternativas de campaña y revisa sus afirmaciones. Una analista de compras ordena propuestas de proveedores con criterios definidos y documenta lo que debe comprobar.

La fluidez incluye reconocer cuándo una tarea se resuelve mejor sin IA o requiere apoyo especializado. El uso se ajusta a la situación.

Caso ilustrativo: una analista de la cadena recibe comentarios ficticios de clientes. Usa una herramienta autorizada para agruparlos por tema, compara una muestra con los registros originales y corrige las categorías que mezclan problemas diferentes. Al presentar el resultado, explica qué revisó y qué queda pendiente.

¿Qué es AI leadership y por qué se agrega?

Las jefaturas y gerencias entienden la IA para decidir dónde aporta valor y bajo qué condiciones se implementa. Su trabajo incluye priorizar proyectos, pedir evidencia de un piloto, asignar recursos y nombrar responsables.

Si la cadena evalúa incorporar IA a la atención de clientes, quienes deciden preguntan qué problema se quiere resolver, de dónde vendrá la información, cómo se revisarán las respuestas y qué ocurre cuando el sistema falla. Para aprobar una ampliación necesitan costos, riesgos y resultados frente a la forma actual de trabajo.

McKinsey apunta en la misma dirección: las jefaturas necesitan acompañar a sus equipos, revisar resultados generados con IA, rediseñar flujos y decidir dónde la supervisión humana sigue siendo indispensable.

Por eso esta guía agrega AI leadership, una dimensión de decisión que complementa las capacidades de uso. Hace visibles responsabilidades que un cuestionario general o una prueba de uso individual dejan fuera.

¿Cómo definir tres niveles en tu organización?

Los tres niveles funcionan si cada empresa escribe qué entiende por cada nivel, a quién aplica y con qué evidencia lo comprueba.

NivelPara quiénQué sabe o hacePregunta que responde
AI literacy (base)Todas las personas de la organizaciónEntiende cómo funciona la IA a nivel conceptual, conoce sus límites y riesgos, y sabe las reglas internas de uso¿Sabe qué puede y qué no puede esperar de la IA, y qué datos no debe compartir?
AI fluency (uso con criterio)Quienes usan IA a diario en su rolElige cuándo usarla, la dirige con contexto, evalúa y corrige el resultado, y la integra en un flujo de trabajo¿Hace mejor su trabajo con IA y sabe cuándo no usarla?
AI leadership (decisión)Jefaturas, gerencias y directorioPrioriza dónde aplicar IA, define gobierno y supervisión, y exige medir el valor¿Decide bien dónde aplicar IA, con qué controles y con qué indicador?

Tres reglas ayudan a que esta división funcione:

  1. Una página, escrita. Define los tres niveles en un documento corto, con el nombre exacto que usará la empresa. Si prefieres decir alfabetización en IA o fluidez en IA, elige uno y úsalo siempre.
  2. Por rol y por tarea. Asigna a cada rol el nivel que necesita. Una misma persona muestra un nivel de dominio en un tipo de tarea y otro en otra.
  3. Cada nivel supone el anterior. Quien decide necesita la base y el criterio de uso. Si el nivel de decisión se salta esos pasos, las decisiones se apoyan en supuestos que nadie comprobó.

Los niveles se superponen. Una gerenta que usa IA en su trabajo y aprueba proyectos necesita evidencia de los tres. Una persona especialista demuestra gran fluidez operativa sin tener entre sus responsabilidades la estrategia de toda la empresa.

Caso ilustrativo: de las 1.200 personas de la cadena, todas necesitan el nivel base. Se seleccionan 150 que usan IA a diario en abastecimiento, marketing, finanzas y atención, y 25 gerentes y subgerentes que participan en decisiones de inversión. Los grupos se superponen y se usan solo para mostrar cómo adaptar la evaluación.

Los tres niveles son una propuesta de EvoAcademy para ordenar la formación, sin valor de estándar ni de certificación.

¿Cómo medir AI literacy, AI fluency y AI leadership?

Una medición útil combina lo que las personas saben con evidencia de lo que hacen. Antes de elegir instrumentos, define si los resultados servirán para diseñar una capacitación, dar retroalimentación o revisar una capacidad del equipo. Las referencias recientes, como Zapier, McKinsey y la encuesta de Google e Ipsos, coinciden en medir la fluency como práctica observable. El detalle está en el anexo.

¿Qué instrumento usar en cada nivel?

Esta tabla resume qué usar en cada nivel. Las secciones siguientes explican cómo.

NivelInstrumento principal propuesto¿Qué permite observar?Límite
AI literacyEncuesta y preguntas de situación, con pruebas publicadas como modelo de preguntas (ver anexo).Comprensión de límites, verificación y reglas de uso.Una encuesta recoge percepciones, y un cuestionario cubre situaciones acotadas.
AI fluencyTarea práctica con IA y rúbrica de niveles; una escala de autoevaluación publicada como complemento.Aplicación, revisión y comunicación del resultado.La tarea es una muestra del trabajo y exige tiempo de evaluación.
AI leadershipCaso de decisión y revisión de documentos.Priorización, riesgos, recursos y seguimiento.Exige criterios explícitos y juicio de quienes evalúan.

La encuesta acompaña a los tres grupos. Al comparar equipos, se mantienen algunos criterios comunes y se adaptan los casos a las tareas de cada función.

¿Cómo evaluar la base de AI literacy?

Una encuesta breve recoge experiencia previa, confianza, acceso a herramientas y necesidades de apoyo. Pregunta, por ejemplo, en qué tareas se ha usado IA o qué dudas existen sobre los datos que se pueden compartir.

Para comprobar conocimientos, suma preguntas de situación. Presenta un resultado que atribuye a un informe una conclusión ausente del documento y pregunta qué hacer antes de compartirlo. La respuesta adecuada es consultar la fuente original y confirmar qué información respalda la conclusión.

Otro caso pide distinguir entre datos ficticios autorizados y datos que, según las reglas del ejercicio, no deben ingresarse en la herramienta. Las respuestas se construyen con la política real de la empresa.

La encuesta aporta percepciones y experiencia declarada. Las preguntas de situación observan conocimientos en un contexto acotado. Juntas entregan una línea base útil para planificar la formación.

Existen pruebas publicadas que sirven como modelo de preguntas. Muestran que lo que las personas creen saber y lo que saben tienen poca relación, de modo que una encuesta de percepción no basta. Ver el anexo.

¿Cómo observar la AI fluency en una tarea?

Prepara un ejercicio del cargo, con datos ficticios y una herramienta aprobada. Entrega a la persona un objetivo, material de referencia y criterios de evaluación. Pídele que conserve el resultado y explique qué verificó.

Un caso sencillo presenta ventas ficticias de 100 unidades en un período y 115 en el siguiente. El ejercicio incluye una respuesta de IA que afirma que el crecimiento fue de 51 %. La tarea consiste en revisar la cifra, calcular el aumento correcto de 15 % y evitar conclusiones sobre sus causas si la información no las respalda.

Otra opción es pedir un breve informe. La evaluación observa si la persona entrega contexto pertinente, detecta omisiones y comunica qué información sigue siendo incierta. Para un piloto, una sesión de 30 a 45 minutos entrega una referencia inicial, y la duración se ajusta al rol y a la complejidad del caso.

La frecuencia de uso de las licencias informa sobre la adopción. Para evaluar la calidad del trabajo, se acompaña ese dato con una revisión del resultado y de las decisiones tomadas durante el ejercicio.

¿Cómo construir una rúbrica para esa tarea?

Para evaluar esa tarea, la empresa usa cuatro criterios con una escala ilustrativa: 0 cuando la persona no demuestra la conducta teniendo la oportunidad de hacerlo, 1 cuando la demuestra parcialmente o con ayuda, y 2 cuando la demuestra de forma adecuada.

Los criterios propuestos son:

  1. Objetivo y contexto: plantea una tarea adecuada y entrega información pertinente.
  2. Revisión: identifica afirmaciones que requieren comprobación y consulta las fuentes del ejercicio.
  3. Uso responsable: respeta las condiciones sobre herramientas y datos.
  4. Comunicación: entrega un resultado comprensible y explica qué verificó o qué incertidumbre permanece.

Si el ejercicio no permite observar un criterio, se marca como no evaluado. La rúbrica es un ejemplo para diseñar un piloto: carece de validación y de nota de corte universal. Para ajustarla, los cuatro niveles de práctica de Zapier (ver anexo) ofrecen un modelo de señales observables.

Antes de aplicarla, dos evaluadores revisan las mismas respuestas y acuerdan qué evidencia corresponde a cada puntaje. La prueba incluye la claridad de las instrucciones y los ajustes de accesibilidad necesarios.

Las condiciones críticas se definen por separado. Si una persona intenta ingresar datos ficticios marcados como sensibles en una herramienta no autorizada, se detiene el ejercicio y se entrega retroalimentación. El uso responsable se vuelve a evaluar aunque los demás criterios tengan buen puntaje.

¿Cómo evaluar las decisiones de AI leadership?

Para quienes priorizan iniciativas, presenta dos propuestas ficticias de uso de IA y pide una recomendación. La persona explica qué problema abordaría primero, qué resultados espera, cuáles son los riesgos y qué información necesita antes de invertir.

También se revisan documentos existentes: un inventario de casos de uso, criterios de priorización, responsables de supervisión o reportes de un piloto. Una conversación estructurada aclara las decisiones detrás de esos documentos.

La evaluación considera el contexto de la empresa. Un buen resultado es recomendar avanzar con condiciones claras o esperar más evidencia antes de aprobar una implementación.

No existe un instrumento estándar para este nivel. La propuesta es de diseño propio, sin validación publicada.

¿Qué datos no alcanzan para medir?

La asistencia, la finalización de módulos y la satisfacción sirven para gestionar un programa. Los certificados registran una formación realizada y los registros de acceso informan el uso de herramientas. La autopercepción muestra cómo se sienten las personas respecto de sus capacidades.

Esos datos cumplen su propósito. Por sí solos no demuestran que alguien detecte un error, proteja información o complete una tarea con la calidad requerida, así que se combinan con ejercicios y criterios observables.

Para medir resultados de negocio, define indicadores del proceso: tiempo total de preparación, incluida la revisión; errores detectados; o entregables aceptados. Compara condiciones similares. Si cambiaron las herramientas, el equipo o el proceso, registra esos cambios antes de atribuir una diferencia a la capacitación. La guía Cómo diseñar una capacitación en IA que se note en los resultados del negocio desarrolla esa conexión.

Caso ilustrativo: la medición en la cadena

La cadena aplica preguntas de situación para la base común. A una muestra de las 150 personas usuarias les suma un ejercicio de su área y una rúbrica. Con quienes toman decisiones revisa un caso de inversión y los criterios de seguimiento. Los resultados ajustan la formación de cada grupo.

¿Cada cuánto se vuelve a medir?

Una secuencia de partida para una organización:

  • Antes del programa: línea base con preguntas y una muestra de ejercicios por rol.
  • Al finalizar: una evaluación equivalente, con retroalimentación.
  • Entre ocho y doce semanas después: revisión de la aplicación en el trabajo y de las barreras que persisten.
  • Cada seis meses: revisión de una muestra de competencias relevantes y ajuste de la formación.

Los plazos son una recomendación operativa de EvoAcademy, sin una frecuencia universal validada. McKinsey describe la fluency como una capacidad en evolución, porque los modelos y las interfaces cambian, y por eso una medición única envejece rápido. Los instrumentos se revisan cuando cambian de forma importante las herramientas autorizadas, los procedimientos o las políticas internas, y la prueba base se aplica además a quienes se incorporan.

Para comparar resultados, se mantienen los criterios y se usan casos distintos de dificultad equivalente. Se documentan los cambios en el modelo, el acceso y las instrucciones. Se informa el propósito de la evaluación y quién accede a los resultados, y se conserva solo la evidencia necesaria por un plazo definido.

Caso ilustrativo: la cadena parte con el equipo de abastecimiento, aplica la medición base antes del programa y la repite a las diez semanas con la misma rúbrica y un caso de dificultad equivalente.

¿Por dónde empezar?

Parte por la página de definiciones. Es el paso más barato y ordena todo lo demás. Elige un equipo con una necesidad concreta y una jefatura dispuesta a participar. Reúne a capacitación con quienes administran las herramientas para definir una tarea, sus riesgos y la evidencia que muestra si la persona la resuelve.

Aplica una evaluación pequeña antes de la formación, prueba los criterios y recoge comentarios de las personas participantes. Con esa información ajustas el programa antes de ampliarlo. El diagnóstico también revela barreras de acceso o políticas poco claras que requieren atención organizacional.

Si un proveedor presenta la diferencia entre literacy y fluency como estándar, pídele la definición escrita y el instrumento con que mide cada nivel. Sin ellos, lo que ofrece es una marca propia. Si todavía estás eligiendo qué tipo de curso contratar, la guía Cómo elegir un curso de IA para tu empresa ordena las opciones.

Caso ilustrativo: la cadena escribe su página de definiciones y prueba la tarea y la rúbrica con el equipo de abastecimiento antes de extenderlas a otras áreas.

Ocho preguntas antes de partir

Antes de aplicar el primer instrumento, estas ocho preguntas ordenan el diseño. Si alguna no tiene respuesta todavía, ahí está el primer trabajo.

  • ¿Qué tareas y decisiones usarán IA? Esa lista define dónde se busca evidencia.
  • ¿Están escritos los tres niveles en una sola página? El nombre que use la empresa para cada nivel y su definición fijan qué se evalúa.
  • ¿Qué conductas se esperan en cada rol? Un nivel objetivo por rol indica a quién aplicar cada instrumento.
  • ¿Qué herramientas y qué datos están autorizados? Sin esa política, las preguntas de situación no tienen una respuesta correcta.
  • ¿Con qué ejercicios y datos ficticios se observará el trabajo? Una tarea del rol entrega evidencia más cercana al trabajo real que una encuesta.
  • ¿Se probó la rúbrica y se acordaron los criterios entre evaluadores? Dos revisiones independientes muestran si los puntajes son comparables.
  • ¿Cuál es el punto de partida? Una línea base en un grupo piloto, medida antes de capacitar, permite comparar después.
  • ¿Quién revisa los resultados y ajusta la formación? Una persona responsable y una fecha de repetición evitan que la medición quede en un solo momento.

Si quieres cotizar

En EvoAcademy personalizamos los cursos según el nivel y el rol: adaptamos contenidos y ejercicios a las tareas del equipo y combinamos cursos del catálogo en un programa a medida. Para el nivel de decisión existe la charla de IA para directorios y gerencias.

Si esta forma de ordenar los niveles calza con lo que necesita tu equipo, cuéntanos qué roles quieres formar y con qué tareas trabajan. Con eso armamos una propuesta de curso personalizado. Preguntar no te compromete a nada.


Anexo: estudios y fuentes que respaldan esta guía

Esta sección reúne los estudios, instrumentos y normas en que se apoya la guía. Para aplicar lo anterior no hace falta leerla.

¿Cómo define cada fuente AI literacy y AI fluency?

Las definiciones de AI literacy provienen de normativa y de marcos educativos, y las de AI fluency de publicaciones de empresas, universidades y consultoras. Los marcos de la Unión Europea, la OCDE y la UNESCO hablan de literacy o de competencias, y ninguno usa fluency como término de su marco. La tabla resume qué define cada fuente y cómo se relaciona con el otro término.

FuenteQué define¿Cómo se relaciona con el otro término?
Comisión Europea (Ley de IA, art. 3, punto 56)AI literacy: habilidades, conocimientos y comprensión para un uso informado y para reconocer oportunidades, riesgos y posibles daños.Usa solo literacy. No define fluency.
OCDE y Comisión Europea, marco AILit (2026)AI literacy: conocimiento técnico, habilidades duraderas y actitudes para desenvolverse en un mundo influido por la IA. Cuatro dominios (Engage, Create, Manage y Shape: participar, crear, gestionar y dar forma) y tres niveles, para educación escolar.Usa solo literacy, y afirma que es distinta del uso de herramientas de IA.
UNESCO (2024, actualizado en 2026)Doce competencias en IA para estudiantes, en cuatro dimensiones y tres niveles de progresión: Understand, Apply y Create (comprender, aplicar y crear).No usa literacy ni fluency como término del marco. Habla de competencias, ordenadas en niveles.
Long y Magerko (CHI, 2020)AI literacy: competencias para evaluar críticamente la IA, comunicarse y colaborar con ella, y usarla como herramienta en línea, en el hogar y en el trabajo.Usa solo literacy, e incluye el uso dentro de ella.
Digital Promise (2024)AI literacy: conocimientos y habilidades para entender, evaluar y usar sistemas de IA, en educación escolar.Usa solo literacy, e incluye el uso dentro de ella.
Departamento del Trabajo de EE. UU., 2026Literacy como base de competencias para usar y evaluar IA con responsabilidad, con foco en IA generativa.Usa los tres términos: literacy es su concepto central, y reconoce que proficiency y fluency se emplean a veces como grados de dominio y a veces como sinónimos.
Universidad Nacional de Singapur, 2026Marco unificado de AI literacy para Singapur, a partir de una revisión de definiciones.Usa solo literacy. Fluency aparece únicamente como nombre de un programa de Microsoft.
SFIAEscala ilustrativa de AI literacy en cuatro grados (Awareness, Working, Practitioner y Expert: conciencia, trabajo, práctica y experto), con una vía estratégica aparte.Usa literacy como término principal, en grados. Menciona fluency junto a literacy como escalas de medición, sin definirla por separado.
Stanford HAIFluency como la capacidad de colaborar de forma productiva y responsable con IA, evaluando sus resultados.Usa solo fluency. No lo compara con literacy.
Dakan, Feller y Anthropic, 2025Fluency como interactuar con IA de forma eficaz, eficiente, ética y segura, en cuatro competencias: delegación, descripción, discernimiento y diligencia.Usa solo fluency. No define literacy.
ZapierFluency: uso efectivo, responsable y confiado de la IA en el trabajo diario, con una rúbrica de cuatro niveles de práctica (inaceptable, capaz, adoptiva y transformadora).Usa solo fluency, en niveles de práctica. No menciona literacy.
McKinsey (agosto de 2026)Fluency: saber cuándo y cómo usar IA y, una vez delegado el trabajo, verificar y mejorar el resultado. La definición se amplía hacia crear con IA.Usa solo fluency. Menciona la digital literacy como antecedente histórico y no define AI literacy.
Google e Ipsos (febrero de 2026)Fluidez en IA (“AI Fluent” en la encuesta): quien rediseña o integra su flujo de trabajo con IA y la usa al menos una vez por semana en ocho o más casos de uso. Encuesta a 4.464 empleados de EE. UU.Usa solo fluency, definida por conducta observable. No menciona literacy.
Rogers y Carbonaro (Journal of Teaching and Learning, 2025)Revisión de AI literacy y AI fluency en educación escolar.Usa ambos como dos conceptos que se separan por la creación: la fluency sería el paso en que la persona crea con IA. Recomienda desarrollarlos a la vez.
Benlian y Pinski, 2025Literacy como término general, con dimensiones conceptual, ética y práctica. En su caso farmacéutico asignan literacy estratégica a ejecutivos y fluency operativa a mandos medios.Usa ambos como etiquetas por rol, sin ordenarlos como niveles.
Deloitte, en el foro de gobierno corporativo de Harvard (febrero de 2026)Recomendaciones para directorios sobre IA. Sin definiciones formales ni forma de medirlas.Usa ambos como grados por audiencia: literacy para el directorio y una fluency más profunda para la alta gerencia.

¿Dónde coinciden las fuentes y dónde se contradicen?

El patrón que más se repite es el de la respuesta corta: AI literacy como entender la IA y AI fluency como usarla con criterio en el trabajo real. Ordena la conversación y admite excepciones, porque varias fuentes lo rompen.

Coinciden en el contenido. Entender las capacidades y los límites de la IA, usarla con responsabilidad y evaluar sus resultados aparecen en varias definiciones. Difieren en la etiqueta de cada parte. Long y Magerko y Digital Promise incluyen el uso dentro de literacy, y la OCDE afirma que la AI literacy es distinta del uso de herramientas. El Departamento del Trabajo incluye la evaluación de respuestas en la base de literacy, mientras que Stanford HAI y el marco de Dakan, Feller y Anthropic la incluyen en fluency. Rogers y Carbonaro separan los dos conceptos por la creación. Google e Ipsos definen fluency por conducta observable (frecuencia, variedad de casos de uso, rediseño del flujo), y McKinsey la define por criterio y verificación. La capacidad es la misma y el nombre cambia.

El Departamento del Trabajo de Estados Unidos reconoce la falta de un estándar en su marco de febrero de 2026 para la formación laboral. Indica que “AI proficiency” y “AI fluency” se usan a veces para señalar grados distintos de dominio y a veces como otra forma de nombrar el mismo concepto, y concluye que cada empleador define las habilidades y la profundidad que exige cada puesto. El Instituto de Estudios de Políticas de la Universidad Nacional de Singapur llega a una conclusión equivalente sobre AI literacy: no existe una definición universalmente aceptada, y cada marco destaca habilidades y audiencias distintas. El marco SFIA ilustra, con una escala hipotética, una trayectoria de implementación técnica y otra estratégica, centrada en la aplicación al negocio. En su ejemplo, un director de tecnología de nivel 7 está en el grado más alto de la vía estratégica (Transformational) y solo en el grado de trabajo (Working) en la técnica.

Benlian y Pinski, en un estudio publicado en Business Horizons con una farmacéutica global, invierten la escalera habitual en la que fluency es el paso que sigue a literacy. Los ejecutivos requerían literacy estratégica para evaluar las implicancias de negocio de la IA y sus inversiones. Los mandos medios necesitaban fluency operativa para integrar la IA en los flujos de trabajo. El personal sin función de TI necesitaba conocimientos básicos para interactuar con herramientas como la IA generativa. Aquí cada palabra nombra un rol: literacy describe lo que necesita quien decide y fluency lo que necesita quien opera.

La misma palabra cubre cosas distintas según quién la use. En Stanford HAI y en el marco de Anthropic, fluency es el uso con criterio. En el Departamento del Trabajo es a veces un grado y a veces un sinónimo de literacy. En Benlian y Pinski nombra el rol operativo. Un curso o un diagnóstico que promete “AI fluency” sin definirla no dice qué entrega.

¿Qué aportan Zapier, McKinsey, Google e Ipsos y un estudio chileno?

Tres referencias recientes orientan el diseño de la medición. Ninguna es un estándar, y las tres miden fluency como práctica observable.

Zapier publica una rúbrica de cuatro niveles para que cada persona ubique su práctica: Unacceptable (inaceptable: poca o nula exposición), Capable (capaz: uso con propósito), Adoptive (adoptiva: uso regular y repetible, con impacto claro) y Transformative (transformadora: impacto a escala, que influye en el equipo). La empresa la presenta como referencia para ubicar la práctica propia, sin nota de aprobación. Cada persona elige el nivel que describe cómo trabaja la mayor parte del tiempo y apunta al siguiente, y todo el equipo debe alcanzar un nivel base. Su valor para una rúbrica propia está en las señales observables y los ejemplos de cada nivel.

McKinsey, en su artículo del 7 de agosto de 2026, define la fluency como saber cuándo y cómo usar IA para obtener mejores resultados y, una vez delegado el trabajo, saber verificarlo y mejorarlo. Sostiene que las personas se vuelven fluidas usando IA en el trabajo cotidiano, porque aprender sobre IA no basta, y resume el enfoque como entrenar el hábito en lugar de enseñar la herramienta. Reporta además que el número de empleados estadounidenses en puestos que exigen AI fluency se multiplicó por 13,6 en tres años. El artículo no trae rúbrica ni instrumento. Su consecuencia para la medición es evaluar el hábito en el trabajo real, porque la asistencia a un curso no lo muestra.

Esquema de la descripción de AI fluency de McKinsey: definición, capacidades prácticas con IA, capacidades humanas que ganan valor y prácticas centradas en las personas.
Esquema de EvoAcademy con lo que describe McKinsey (7 de agosto de 2026). El artículo no define dimensiones numeradas; el esquema agrupa las capacidades que menciona.

Google e Ipsos aportan una definición operativa con cifras. En la encuesta AI Works for America de Google, realizada por Ipsos a 4.464 empleados de EE. UU. entre el 5 y el 21 de diciembre de 2025, la fluidez en IA (“AI Fluent”) es de quien rediseña su flujo de trabajo con IA o la integra en él, y la usa al menos una vez por semana en ocho o más usos. Solo el 5 % de los empleados cumple esa definición. El 40 % usa IA en el trabajo y el 35 % son exploradores (“AI Explorers”), de uso ocasional. Quienes califican como fluidos declaran ahorrar una mediana de 8 horas semanales, frente a 3 horas de los exploradores, y el 91 % dice que la IA los hace más productivos, frente a 52 % de los exploradores. Solo el 14 % de los encuestados recibió formación de su organización en los últimos 12 meses, y quienes contaban con herramientas y orientación de la empresa tenían 4,5 veces más probabilidades de ser fluidos. Es una asociación, y la encuesta no prueba causa. Son datos autodeclarados de un solo país y sirven para dimensionar lo exigente que es un criterio de uso.

Un dato local viene del segundo estudio del Track Mutual UAI, del laboratorio LEAS de la Universidad Adolfo Ibáñez, su Escuela de Psicología y Mutual de Seguridad (1.400 personas mayores de 18 años de todo Chile, trabajo de campo entre el 27 de julio y el 17 de agosto de 2026). Entre quienes usan IA en su trabajo, el 77 % aprendió por su cuenta y solo el 16 % recibió capacitación pagada por su organización. Mide uso y aprendizaje autodeclarados, y no el nivel de AI literacy ni de AI fluency.

¿Qué instrumentos validados existen para IA generativa?

Los instrumentos publicados desde 2025 con datos sobre IA generativa son pocos. Sus muestras vienen de otros países, de estudiantes o de adultos reclutados en línea, así que usarlos en una empresa chilena exige adaptarlos y probarlos antes.

InstrumentoAño y muestraQué mideTipo y límite
AICOS y AICOS-S2025 y 2026; 514 y 2.131 adultos de habla alemanaConocimiento en seis dimensiones, entre ellas IA generativa (51 y 12 ítems)Prueba objetiva; sin puntajes de referencia para empresas
GLAT2025; 355 estudiantes de educación superiorConocimiento de IA generativa (20 ítems)Prueba objetiva; muestra de estudiantes
GAIL2025; empleados del sector privado de ChinaCompetencia en IA generativa en cinco dimensiones: técnica básica, instrucciones a la IA, evaluación de contenido, aplicación innovadora y ética y cumplimiento (17 ítems)Autoevaluación; un solo país
Escala de pensamiento crítico en el uso de IA2026; seis estudios, 1.341 personasVerificación, motivación y reflexión (13 ítems)Autoevaluación con criterio externo en una tarea de verificación
PECS2025; 437 usuariosCompetencia para escribir instrucciones a la IAAutoevaluación; solo instrucciones
MAILS y SNAIL2023; 300 y 415 adultosPercepción de competencia en IA en general (34 y 31 ítems)Autoevaluación anterior a la IA generativa; solo antecedente

MAILS y SNAIL, las escalas más citadas, son anteriores a la IA generativa y quedan como antecedente de la investigación. Según el trabajo de AICOS, el conocimiento declarado y el conocimiento medido tienen poca relación, y en el estudio de GLAT la prueba predijo el desempeño en tareas con IA generativa mejor que la competencia que la propia persona declaraba. GAIL se asoció con mejor desempeño laboral. Las escalas de autoevaluación miden percepción y conducta declarada, y sirven para comparar grupos o ver cambios en el tiempo, junto con la tarea práctica.

¿Qué exige la Ley de IA de la Unión Europea sobre la AI literacy?

En la Unión Europea, la obligación legal gira en torno a la AI literacy. El artículo 4 del reglamento, en su texto consolidado a julio de 2026 después del paquete de simplificación Digital Omnibus, pide a proveedores y a quienes despliegan sistemas de IA que tomen medidas para apoyar el desarrollo de la alfabetización en IA de su personal, y aclara que no obliga a garantizar un nivel específico a cada persona. Según las preguntas y respuestas de la Comisión Europea sobre este artículo, tampoco hay obligación de medir los conocimientos de los empleados ni de emitir certificados, y se recomienda llevar un registro interno de las iniciativas. Es una norma de la Unión Europea: si tu empresa ofrece o usa sistemas de IA en ese mercado, revisa su situación con tu equipo legal. En otro caso, sirve como referencia de qué consideran razonable los reguladores.

Referencias

  1. Departamento del Trabajo de EE. UU.: Aviso TEN 07-25 y marco AI Literacy Framework, 13 de febrero de 2026.
  2. Comisión Europea: definición de AI literacy en la Ley de IA (artículo 3, punto 56) y artículo 4 consolidado a julio de 2026.
  3. Stanford HAI: What is AI Fluency?.
  4. Dakan, Feller y Anthropic: The AI Fluency Framework, 2025, licencia CC BY-NC-SA 4.0.
  5. Benlian, A. y Pinski, M.: The AI literacy development canvas, Business Horizons 69(6), 2026, pp. 759-775.
  6. SFIA: AI and data literacy.
  7. Universidad Nacional de Singapur, IPS Working Paper 71: Unified AI Literacy Framework for Singapore, febrero de 2026.
  8. Zapier: How to measure your AI fluency, and move to the next level.
  9. McKinsey: Why AI fluency is the next foundation of economic competitiveness, 7 de agosto de 2026.
  10. Google e Ipsos: AI Works for America poll, 19 de febrero de 2026.
  11. Instrumentos: AICOS, AICOS-S, GLAT, GAIL, escala de pensamiento crítico en el uso de IA y PECS. Antecedentes anteriores a la IA generativa: MAILS y SNAIL.
  12. OCDE y Comisión Europea: marco AILit (Empowering Learners for the Age of AI), 2026, y UNESCO: AI competency framework for students, 2024, actualizado en 2026.
  13. Long, D. y Magerko, B.: What is AI Literacy?, CHI 2020, y Digital Promise: AI Literacy, a framework to understand, evaluate, and use emerging technology, 2024.
  14. Rogers, K. y Carbonaro, M., Journal of Teaching and Learning 19(4), 2025, pp. 20-38.
  15. Ammanath, B. (Deloitte): Artificial Intelligence in the Boardroom, Harvard Law School Forum on Corporate Governance, 22 de febrero de 2026.
  16. Estudio Track Mutual UAI (LEAS UAI, Escuela de Psicología UAI y Mutual de Seguridad): el 77 % de quienes usan IA en el trabajo aprendió por su cuenta, 17 de septiembre de 2026.

Preguntas frecuentes

¿AI literacy y AI fluency son lo mismo?

No hay una respuesta única, porque ninguna fuente fija la frontera. El uso más común las separa: literacy para entender la IA y fluency para usarla con criterio en el trabajo. Otras fuentes las usan como sinónimos, y una asigna literacy a quienes deciden y fluency a quienes operan. Cada empresa escribe sus definiciones antes de medir.

¿Existe una certificación oficial universal de AI fluency?

No hay una certificación oficial ni un estándar reconocido. Existen cursos de proveedores, como el de Anthropic, que entrega una insignia al completarlo, y esa insignia acredita haber hecho el curso. Si tu empresa necesita una constancia de nivel, la define con su propia rúbrica. Al comparar cursos, revisa qué competencias cubre cada uno y qué evidencia exige.

¿Es obligatorio medir la AI literacy del equipo?

En la Unión Europea, el artículo 4 de la Ley de IA exige a proveedores y a quienes despliegan sistemas de IA tomar medidas para apoyar la AI literacy de su personal. Según las preguntas y respuestas de la Comisión Europea, no obliga a medir los conocimientos de cada persona ni a emitir certificados. Si tu empresa tiene operaciones o responsabilidades en ese mercado, revisa su situación con el equipo legal.

¿Sirve una encuesta de autoevaluación?

Sí, para conocer experiencia, confianza y necesidades. Las escalas de autoevaluación publicadas (ver anexo) miden la percepción de la propia competencia, y un estudio con una prueba de conocimiento muestra poca relación entre lo que las personas creen saber y lo que saben. Para evaluar desempeño, se suman preguntas con respuesta correcta y, para el nivel de uso, una tarea práctica con un caso real.

¿Toda la empresa debe llegar al mismo nivel de AI fluency?

No. Las tareas y las responsabilidades son distintas. Zapier espera un nivel base de fluency de todo su equipo, y otra opción es fijar el nivel de uso con criterio solo para los roles que usan IA a diario y mantener la base para el resto. La definición por rol evita capacitar de más a unas personas y de menos a otras, y las jefaturas que toman decisiones requieren criterios acordes con su responsabilidad.

¿Cada cuánto se mide?

Con una línea base antes de la formación, una evaluación al cierre y un seguimiento entre ocho y doce semanas después. El detalle está en la sección ¿Cada cuánto se vuelve a medir?.

Escúchalo en el podcast

En EvoAcademy publicamos un podcast semanal sobre IA aplicada a los negocios. Estos episodios complementan esta guía.

Ver todos los episodios

Cursos relacionados

  • Inteligencia Artificial para los Negocios

    Entiende cómo se usa la IA en los negocios y conoce sus herramientas y desafíos con ejercicios prácticos.

    8 a 12 horas - Presencial u online sincrónico

  • ChatGPT para los Negocios

    Aplica ChatGPT en el trabajo diario del equipo con Projects, Work y Skills, y suma Codex para perfiles técnicos.

    8 a 16 horas - Presencial u online sincrónico

  • Claude para los Negocios

    Aplica Claude en el trabajo diario del equipo con Projects, Cowork y Skills, y suma Claude Code para perfiles técnicos.

    8 a 16 horas - Presencial u online sincrónico

  • Microsoft Copilot para los Negocios

    Usa Microsoft Copilot en las aplicaciones de Microsoft 365 y crea agentes con el conocimiento de tu empresa.

    8 a 16 horas - Presencial u online sincrónico

Cotiza tu curso

Cuéntanos qué necesita tu equipo y te enviamos una propuesta para un curso a la medida de tu empresa.