El uso de la IA en la gestión de recursos humanos

Esta transformación no solo se manifiesta en las prácticas y procesos de RRHH, sino también en la adopción e inversión de soluciones de IA por parte de los profesionales de RRHH. Según Anderson, la adopción de la IA en RRHH ha aumentado considerablemente en los últimos años, especialmente en áreas como la diversidad y la inclusión, la adquisición y el desarrollo de talento, y el compromiso y la retención de los empleados. Sin embargo, existen retos y riesgos al emplear soluciones de IA en RRHH, como posibles sesgos, dilemas éticos y problemas de privacidad. Por lo tanto, los líderes de RRHH deben adoptar un enfoque riguroso y responsable a la hora de implementar soluciones de IA en sus organizaciones, para que estén alineadas con sus objetivos y valores estratégicos.

Un ejemplo de la adopción de la IA en el campo de los RRHH se puede encontrar en la multinacional Unilever. Esta empresa, que opera en 190 países y ha procesado aproximadamente 1,8 millones de solicitudes de empleo en su 20FY, ha recurrido a la IA para mejorar la eficiencia de su contratación. Mediante colaboraciones con algunos especialistas en contratación con IA, Unilever ha integrado herramientas basadas en IA en sus procedimientos de contratación. Utilizando plataformas como LinkedIn y evaluaciones basadas en juegos, la empresa ha logrado un ahorro de tiempo del 25%, equivalente a 50.000 horas, y ha reducido los costes en 1 millón de libras. Además, la incorporación de la IA ha desempeñado un papel importante en el avance de los objetivos de diversidad de la empresa, lo que ha llevado a la contratación de su conjunto de empleados más diversa en términos de etnia y género.

Hasta hace poco, el uso de la analítica de datos y la IA en el ámbito de RRHH ha sido limitado, ya que se han planteado retos particulares debido a la naturaleza de la información disponible (tanto estructurada como no estructurada). Sin embargo, con la llegada y el despliegue de soluciones innovadoras (por ejemplo, sistemas diseñados para captar la voz del empleado), existen nuevas posibilidades de obtener una visión integral de 360 grados de los empleados, conociéndolos así con mayor profundidad y precisión. A pesar de estos avances, hay un elemento crítico a tener en cuenta: el Reglamento General de Protección de Datos (RGPD). Este reglamento obliga a legitimar el caso de uso de un sistema de IA antes de su desarrollo, y establece límites sobre la ubicación y la duración en la que se pueden almacenar los datos, entre otras estipulaciones. Estos requisitos, diseñados para proteger a los clientes y usuarios de servicios dentro de la Unión Europea, pueden restringir la implementación de ciertos análisis y servicios de IA por parte de las empresas.

Este White Paper pretende profundizar en el uso de la IA en el ámbito de RRHH. En la sección Revisión técnica se describen algunas tecnologías subyacentes que sustentan la IA, arrojando luz sobre las innovaciones que impulsan su rumbo actual y futuro. Pasando de lo técnico a lo práctico, en la sección de Casos de uso se analizan los diversos beneficios que la IA aporta a la gestión de RRHH, desde las mejoras en la productividad -facilitadas por la capacidad de la IA para procesar grandes cantidades de datos con una eficiencia sin precedentes- hasta la compleja tarea de adecuar los candidatos a los puestos vacantes, un problema que la IA trata de resolver para asociar eficazmente los puestos de trabajo a los candidatos.

Revisión técnica

En el campo de análisis de RRHH (HR Analytics) se suelen utilizar técnicas estadísticas avanzadas para extraer información valiosa de grandes volúmenes de datos relacionados con los empleados y la gestión del personal. Estas técnicas permiten a las organizaciones tomar decisiones basadas en datos y optimizar varios procesos de RRHH. A continuación, se revisan algunas de las técnicas de aprendizaje automático más utilizadas en HR Analytics:

Análisis de regresión

Se utiliza para comprender la relación entre variables dependientes e independientes, lo que permite a los profesionales de RRHH tomar decisiones basadas en datos relacionados con la gestión de la plantilla. Por ejemplo, RRHH puede utilizar el análisis de regresión para examinar cómo influyen en las puntuaciones de rendimiento (variable dependiente) factores como los años de experiencia, las horas de formación o la satisfacción laboral (variables independientes). Mediante la realización de un análisis de regresión, RRHH puede identificar qué factores tienen un impacto significativo en el rendimiento y utilizar esta información para diseñar planes específicos de mejora del rendimiento, asignar recursos de forma más eficaz y optimizar las estrategias de gestión del talento.

Análisis de clasificación

Estos análisis se utilizan para clasificar a los empleados en diferentes grupos en función de características o resultados específicos. Una de las principales aplicaciones del análisis de clasificación en RRHH es la predicción del abandono de los empleados. Los departamentos de RRHH pueden utilizar algoritmos de clasificación, como el árbol de decisión, el random forest o k-nearest neighbours (k-NN) para analizar datos históricos, como la permanencia de los empleados, la satisfacción laboral, las calificaciones de rendimiento y las puntuaciones del nivel de compromiso del empleado, para clasificar a los empleados en alto y bajo riesgo. Este enfoque proactivo permite a RRHH aplicar estrategias de retención específicas, como planes de desarrollo profesional específicos, o abordar las posibles preocupaciones planteadas por los comentarios de los empleados.

Clustering

Se trata de una técnica para describir datos y encontrar patrones generales cuando los datos disponibles no están etiquetados (aprendizaje no supervisado). El clustering se utiliza para clasificar a los empleados en grupos en función de sus similitudes en cuanto a características, comportamientos o rendimiento, creando así distintos segmentos de empleados con atributos compartidos. Los departamentos de RRHH pueden aplicar estos algoritmos para clasificar a los empleados en distintos grupos en función de atributos como la edad, la antigüedad, el puesto de trabajo, las métricas de rendimiento y las puntuaciones del nivel de compromiso. Por ejemplo, en Kakulapati se utilizaron técnicas de clustering basadas en la similitud de las métricas de rendimiento para analizar el rendimiento de los empleados. Mediante la identificación de diferentes segmentos dentro de la plantilla, como los empleados de alto rendimiento, los profesionales a mitad de carrera o los empleados con habilidades especializadas, RRHH puede adaptar las estrategias de gestión del talento, los programas de aprendizaje y las iniciativas de compromiso para satisfacer las necesidades específicas de cada grupo.

Detección de anomalías

La detección de anomalías consiste en identificar patrones o comportamientos inusuales o atípicos en los datos de los empleados. Es útil para detectar valores atípicos que se desvían significativamente de lo habitual, lo que ayuda a los profesionales de RRHH a abordar posibles problemas de forma proactiva. Mediante el análisis de los datos del registro de entrada y salida de los empleados, el sistema puede detectar patrones inusuales, como llegadas tardías o salidas tempranas, que pueden indicar infracciones de la política de asistencia o posibles problemas de productividad. Otro ejemplo es el uso del autoencoder LSTM para la identificación de comportamientos anómalos en sistemas de control de acceso. Los patrones de acceso inusuales a información o instalaciones sensibles podrían indicar violaciones de la seguridad o amenazas internas, lo que podría llevar a una investigación y mitigación oportunas.

Más concretamente en el campo del aprendizaje profundo, los recientes avances han permitido que esta tecnología desempeñe un papel crucial en la ciencia de datos, y la analítica de personas no es una excepción. Estas son algunas de las técnicas de aprendizaje profundo utilizadas en la analítica de recursos humanos:

Análisis del sentimiento

Los modelos de análisis de sentimiento en HR Analytics se utilizan para evaluar y comprender automáticamente el sentimiento o el tono emocional de los comentarios de los empleados, las respuestas a encuestas, las evaluaciones de rendimiento y otros datos de texto. Estos modelos ayudan a los profesionales de RRHH a evaluar los sentimientos, la satisfacción, los niveles de compromiso y el agotamiento de los empleados. Un caso de uso del análisis de sentimiento en HR Analytics es el análisis de las respuestas de las encuestas del nivel de compromiso de los empleados. Aplicando el análisis de sentimiento a los comentarios de las encuestas, las organizaciones pueden identificar rápidamente los sentimientos positivos y negativos expresados por los empleados hacia diversos aspectos del lugar de trabajo, como el liderazgo, el equilibrio entre la vida laboral y personal o el desarrollo profesional. De este modo, RRHH puede priorizar las áreas de mejora, abordar las preocupaciones y poner en marcha iniciativas específicas para mejorar la satisfacción y la retención de los empleados.

Sistemas de recomendación

Estos métodos se utilizan para sugerir itinerarios de aprendizaje personalizados, oportunidades de desarrollo y planes de carrera para los empleados en función de sus habilidades, intereses y aspiraciones profesionales. Estos sistemas ayudan a los departamentos de RRHH a ofrecer formación específica y vías de crecimiento, mejorando el compromiso y el rendimiento de los empleados. Un ejemplo de uso común de estas técnicas es el aprendizaje y el desarrollo. Analizando el historial de formación, las competencias y las funciones de los empleados, los sistemas de recomendación pueden sugerir cursos o programas de formación pertinentes que se ajusten a sus objetivos profesionales y les ayuden a adquirir nuevas competencias. Esto no solo permite a los empleados asumir la responsabilidad de su desarrollo profesional, sino que también permite a RRHH optimizar las inversiones en formación y cubrir las carencias de competencias de forma estratégica. Los sistemas de recomendación en HR Analytics mejoran la satisfacción de los empleados y fomentan una cultura de aprendizaje continuo, lo que contribuye al éxito de la organización y a la retención del talento. En los últimos años, ha crecido el interés por la organización de talleres centrados en los modelos de recomendación para los procesos de contratación, con especial énfasis en abordar las cuestiones éticas relacionadas con su aplicación.

Large language models (LLM)

Los LLM han revolucionado la analítica de RRHH gracias a sus capacidades de comprensión del lenguaje natural y a la posibilidad de generar respuestas textuales similares a las humanas, lo que abre interesantes posibilidades para diversas aplicaciones en el ámbito de RRHH. Estos modelos pueden ayudar a automatizar diversas tareas de RRHH, mejorar la comunicación con los empleados y ofrecer asistencia personalizada.

Pueden ayudar en la captación de talento seleccionando y clasificando currículos. Son capaces de analizar los requisitos de los puestos y ponerlos en relación con las competencias y experiencias de los candidatos, ayudando a los profesionales de RRHH a identificar a los candidatos más adecuados de forma más eficaz. 
 

Además de automatizar las tareas de RRHH y mejorar la comunicación, los chatbots basados en LLM desempeñan un papel crucial en la prestación de apoyo en tiempo real a los empleados. Los empleados pueden interactuar con los chatbots para informarse sobre políticas de RRHH, beneficios, solicitudes de permisos e incluso buscar asesoramiento profesional, ofreciendo una experiencia de RRHH fluida y personalizada. 
 

Sin embargo, la creciente aplicación de los LLM y otros métodos avanzados en HR Analytics también plantea importantes consideraciones éticas, en particular en relación con la privacidad de los datos y los posibles sesgos. Para garantizar un uso responsable, los departamentos de RRHH deben dar prioridad a la protección de los datos, asegurándose de que la información sensible de los empleados se maneja de forma segura y cumpliendo la normativa sobre datos.

Casos de uso

People Analytics es una aplicación clave de la ciencia de datos en el campo de los Recursos Humanos. Como se ha mencionado en la sección anterior, se pueden aplicar diversas técnicas y metodologías basadas en datos para extraer información valiosa de los procesos relacionados con la gestión de los RRHH, facilitando la toma de decisiones. Algunos ejemplos de casos de uso son: 
 

• Análisis predictivo: Esta técnica implica el uso de datos históricos de RRHH para hacer predicciones sobre las tendencias futuras de RRHH, como la rotación de empleados, el rendimiento o las necesidades de contratación. Mediante el empleo de algoritmos, los profesionales de RRHH pueden anticiparse a posibles retos y tomar medidas proactivas para abordarlos.
• Análisis del sentimiento de los empleados: El análisis de sentimientos utiliza el procesamiento del lenguaje natural (PLN) para analizar las opiniones de los empleados, las encuestas y las publicaciones en las redes sociales con el fin de calibrar el sentimiento general de la plantilla. Esta técnica ayuda a las organizaciones a comprender la satisfacción de los empleados, identificar áreas de mejora y crear un entorno de trabajo positivo.
•  Análisis de la rotación del personal: La rotación del personal e refiere a la tasa a la que los empleados abandonan la organización. Aplicando técnicas de ciencia de datos como árboles de decisión, regresión logística o análisis de supervivencia, los analistas de RRHH pueden identificar los factores que contribuyen al abandono, lo que les permite diseñar estrategias de retención más efectivas.
• Mejora de la productividad: Mediante el análisis de datos, los profesionales de RRHH identifican los factores clave que afectan a la productividad, como la formación, la carga de trabajo, el entorno laboral y la dinámica de equipo. Los modelos predictivos ayudan en la planificación de recursos, mientras que las intervenciones específicas, como la formación y la optimización de procesos, agilizan las operaciones. La supervisión continua garantiza mejoras continuas y un rendimiento optimizado de la plantilla, lo que en última instancia conduce a un mayor éxito empresarial.
• Análisis de la contratación: Las técnicas de contratación basadas en datos implican la optimización de las descripciones de los puestos de trabajo, el análisis de los perfiles de los candidatos y la predicción de las mejores fuentes para la adquisición de talento. Los algoritmos de aprendizaje automático pueden ayudar a los equipos de RRHH a encontrar los candidatos adecuados de forma más eficiente.
• Análisis de brechas de competencias: Esta técnica evalúa la disparidad entre las competencias que posee la plantilla actual y las competencias necesarias para los objetivos empresariales futuros. Los métodos de Data Science ayudan a identificar las carencias de competencias, facilitando iniciativas específicas de formación y desarrollo. 

Caso práctico 1: Mejora de la productividad

En el ámbito dinámico de las empresas, la productividad desempeña un papel fundamental para impulsar el éxito y el crecimiento. La productividad es un factor crítico que influye directamente en el rendimiento general y la prosperidad de una empresa. Se refiere a la eficiencia y eficacia con la que los empleados utilizan su tiempo, habilidades y recursos para realizar tareas y contribuir a los objetivos de la organización. Comprender la importancia de la productividad desde el punto de vista de un empleado es crucial, ya que fomenta una plantilla próspera y motivada al tiempo que maximiza la productividad de los empleados, lo cual, a su vez, es esencial para mejorar la eficiencia operativa, reducir costes y cultivar un buen ambiente de trabajo.

Para los empleados, la productividad actúa como un  catalizador para el crecimiento profesional, el reconocimiento y la satisfacción personal. Al realizar un trabajo de alta calidad de manera eficiente, las personas aumentan sus posibilidades de promoción profesional y de acceso a mayores responsabilidades y posibles aumentos salariales. Además, el incremento de la productividad suele traducirse en un mejor equilibrio entre la vida laboral y personal, lo que reduce el estrés y mejora el bienestar general.

Desde una perspectiva organizativa, la productividad repercute directamente en la rentabilidad, la satisfacción del cliente y la competitividad. La utilización eficiente de los recursos permite ahorrar costes e invertir en innovación y crecimiento. Una plantilla altamente productiva fomenta una cultura de trabajo positiva, mejorando la retención y la moral de los empleados, al tiempo que permite a las empresas adaptarse rápidamente a las demandas del mercado.

Para mejorar eficazmente la productividad, las empresas deben mantener registros y adoptar medidas proactivas. Los registros, como las métricas de rendimiento individual y de equipo, permiten a las empresas identificar a los empleados con mejor rendimiento y abordar cualquier área de bajo rendimiento.

Estos registros también sirven de base para desarrollar planes de acción específicos que se centren en el desarrollo de los empleados, la mejora de sus capacidades y la resolución de los cuellos de botella de la productividad.

Medir la productividad es esencial para las empresas que buscan optimizar sus operaciones y alcanzar sus objetivos estratégicos. Los mecanismos de medición efectivos permiten a las organizaciones obtener información valiosa sobre su rendimiento, identificar áreas de mejora y fomentar una cultura de mejora continua. Sin embargo, cuando se trata de determinados empleados, en particular los que ocupan puestos directivos superiores, la evaluación de la productividad puede resultar más difícil. No obstante, en las grandes empresas, para el 90% de la plantilla, este problema se ha resuelto eficazmente utilizando potentes herramientas de medición de la productividad, como los Indicadores Clave de Rendimiento (KPI) o los mecanismos de retroalimentación.

Los KPI son potentes herramientas para medir la productividad en diversos aspectos de una empresa. Estas métricas pueden incluir objetivos de ventas, puntuaciones de satisfacción del cliente, tasas de finalización de proyectos, rendimiento de los empleados, ratios de eficiencia, entre muchos otros. Al alinear los KPI con los objetivos estratégicos, las empresas pueden evaluar cuantitativamente los niveles de productividad, identificar áreas de mejora y realizar un seguimiento de los progresos a lo largo del tiempo. Además de los KPI, los mecanismos de retroalimentación desempeñan un papel fundamental para comprender las experiencias y los retos de los empleados. Las evaluaciones periódicas del rendimiento, las sesiones individuales de feedback y las encuestas anónimas proporcionan información valiosa sobre la satisfacción y el compromiso de los empleados, así­ como sobre las posibles Áreas de mejora.

Un enfoque más innovador consiste en entender por qué determinados empleados son más productivos que otros y explorar la posibilidad de reproducir ese alto nivel de productividad. Profundizando en los factores que contribuyen a su excepcional rendimiento, las organizaciones pueden identificar las mejores prácticas y estrategias que pueden adoptar otros miembros del equipo para mejorar la productividad general.

Para ello, el análisis de datos y la inteligencia artificial desempeñan un papel importante en la identificación de patrones y correlaciones entre diversos factores y los niveles de productividad. Aprovechar estas tecnologí­as puede proporcionar una comprensión más profunda de los elementos que impulsan la productividad y ayudar a adaptar enfoques individualizados para diferentes empleados en función de sus fortalezas y desafíos únicos.

Utilizando modelos de regresión, es posible inferir la productividad de los empleados a partir de variables como el modo de trabajo, los años de experiencia, el número de trabajadores de cada equipo, la cantidad de horas extraordinarias, el salario, el número de artículos sin terminar, etc., así­ como variables relacionadas con el responsable, el equipo y la organización del empleado. El objetivo es comprender por qué un empleado es más productivo que otro. Para ello, se pueden utilizar modelos interpretables como los árboles de decisión o las regresiones lineales. Sin embargo, un enfoque alternativo consistirá en utilizar modelos no interpretables y aplicar técnicas de explicabilidad como LIME (Local Interpretable Model-agnostic Explanations) o SHAP 
(SHapley Additive exPlanations). LIME genera explicaciones locales para predicciones individuales, simplificando modelos complejos con modelos sustitutivos interpretables. Por otro lado, SHAP asigna valores de importancia a las características, lo que permite a las organizaciones comprender la contribución de cada variable a las predicciones de productividad de los empleados.

A continuación, se examina un ejemplo práctico simplificado basado en un árbol de decisión. Considérese un conjunto de datos sencillo en el que la productividad depende de tres variables: la edad, los años de experiencia y la situación de trabajo a distancia, un indicador binario (1 para teletrabajo, 0 para no teletrabajo). La variable objetivo es la productividad, que representa el nivel de producción o rendimiento de cada empleado. Al entrenar un árbol de decisión con este conjunto de datos, se pueden determinar los predictores más significativos de la productividad.

El algoritmo del árbol de decisión aprende del conjunto de datos e identifica patrones y relaciones entre los predictores (edad, años de experiencia y teletrabajo) y los niveles de productividad. Cada nodo del árbol de decisión representa un punto de decisión basado en los predictores, y las ramas denotan los resultados potenciales.

Tras entrenar el modelo, se puede examinar a fondo su estructura para discernir los predictores más cruciales que dividen eficazmente los datos, permitiendo predicciones precisas de productividad. En ese caso, el árbol de decisión revela que la edad, los años de experiencia y el teletrabajo son predictores fundamentales de la productividad. La consecuencia es que los empleados de más edad que no realizan trabajo a distancia tienden a mostrar una productividad significativamente menor en comparación con otros grupos de empleados. 

Sin embargo, es esencial tener en cuenta que, aunque la edad y los años de experiencia pueden aparecer como fuertes predictores de la productividad, no tienen por qué ser necesariamente las causas directas de la baja productividad en determinados casos. Por ejemplo, algunos empleados con mayor edad y experiencia pueden mostrar niveles de productividad más bajos debido a factores como la falta de motivación, el agotamiento, etc., que el árbol de decisión por sí solo podría no captar. Hay que tener en cuenta que las variables mencionadas son difíciles de captar y puede que no siempre estén disponibles para el desarrollo del modelo. Por ese motivo, no se incluyeron inicialmente.

Interpretando a fondo el árbol de decisión y teniendo en cuenta factores contextuales adicionales, las organizaciones pueden obtener información procesable sobre los atributos específicos que influyen en la productividad de los empleados. Este valioso conocimiento puede orientar las decisiones estratégicas relacionadas con la planificación de la plantilla, el desarrollo de competencias y la organización del trabajo, fomentando en última instancia una plantilla más productiva. Al identificar las causas subyacentes de las variaciones en la productividad, las organizaciones pueden llevar a cabo intervenciones específicas para abordar posibles problemas y mejorar el rendimiento general de los empleados.

  
En el ejemplo examinado, los datos indican niveles de productividad más bajos entre los empleados de más edad que no participan en el teletrabajo. Curiosamente, se ha observado que, dentro de este grupo de edad, los que sí participan en el teletrabajo presentan ratios de productividad más elevados. En consecuencia, este dato ofrece una posible decisión estratégica a tener en cuenta.

Una posible decisión estratégica podría consistir en habilitar opciones de teletrabajo para el grupo de empleados de más edad con menor productividad. Permitiéndoles trabajar a distancia, la organización podría aprovechar las ventajas de productividad asociadas al teletrabajo, que han sido evidentes entre sus compañeros del mismo grupo de edad.

Otra posible acción podría ser la puesta en marcha de programas de reciclaje profesional. El ajustar las funciones laborales de estos empleados de más edad puede resultar una estrategia valiosa. La formación específica les dota de las competencias necesarias, mientras que la adecuación de las responsabilidades a los puntos fuertes aumenta la satisfacción y el rendimiento en el trabajo.

Otras medidas que podrían adoptarse consistirían en elevar la productividad en otros sectores en los que el rendimiento es relativamente bajo, como el ámbito de las personas jóvenes y sin experiencia que no realizan trabajo a distancia. Como en el caso de los empleados de más edad, la introducción de opciones de teletrabajo está vinculada a una mayor productividad, lo que sugiere la aplicación de estrategias análogas.

Sin embargo, en un escenario real, es crucial tener en cuenta el equilibrio entre riesgos y beneficios a la hora de tomar decisiones importantes. Las complejidades que entraña este proceso de toma de decisiones pueden ilustrarse con los siguientes ejemplos no exhaustivos:

• Análisis del retorno de la inversión (ROI): cuando se contempla la decisión de permitir el teletrabajo a empleados mayores con menor productividad, es esencial realizar un análisis exhaustivo del retorno de la inversión. La organización necesita evaluar cómo un aumento de la productividad repercutirá en el rendimiento global. Evaluar las posibles ganancias financieras derivadas de la mejora de la productividad y compararlas con los costes asociados a la implantación del teletrabajo proporcionará información valiosa.
• Análisis coste-beneficio de las modificaciones de las funciones: la modificación de las funciones y responsabilidades del puesto de trabajo para el grupo destinatario de empleados de más edad requiere una consideración cuidadosa. Es esencial realizar un análisis exhaustivo de costes y beneficios para comprender las implicaciones financieras. Este análisis ayudará a determinar si las ganancias potenciales en productividad compensan los gastos incurridos en el proceso de reciclaje.
• Analizar los riesgos potenciales: toda decisión estratégica conlleva riesgos inherentes, y ésta no es una excepción. La organización debe evaluar cuidadosamente los riesgos potenciales asociados. Por ejemplo, una menor cohesión del equipo, posibles problemas de comunicación o dificultades para supervisar a los empleados remotos. Comprender estos riesgos y desarrollar estrategias de mitigación será crucial para el éxito de la implantación.
• Evaluación del impacto a largo plazo: considerar el impacto a largo plazo de la decisión es vital. Implica analizar cómo cambia la productividad con el tiempo y evaluar si las medidas adoptadas siguen dando resultados positivos en el futuro.

En conclusión, la productividad es un factor fundamental que influye en el rendimiento general, la satisfacción de los empleados y la competitividad de las organizaciones. Las técnicas de la ciencia de datos, que utilizan métricas como indicadores clave de rendimiento y mecanismos de retroalimentación, aportan información sobre los factores que impulsan la productividad y permiten diseñar estrategias personalizadas para la mejora de los empleados. Las decisiones empresariales requieren análisis exhaustivos que tengan en cuenta los riesgos, los beneficios y el rendimiento potencial. Dar prioridad a las decisiones informadas mediante modelos predictivos eficaces es crucial para cultivar una plantilla más productiva y motivada.

Caso práctico 2: Emparejamiento entre candidatos y puestos vacantes

Reclutar el talento adecuado es una de las tareas más importantes y desafiantes para cualquier organización. El proceso de contratación tradicional puede llevar mucho tiempo, ser costoso y propenso a errores y sesgos humanos. Sin embargo, desde que comenzó el reclutamiento en línea, muchas tareas relacionadas con RRHH se están automatizando cada vez más, como la selección de currículos, la programación de entrevistas y la evaluación de candidatos.

Se ha de tener en cuenta que utilizar algoritmos para el emparejamiento entre candidatos y vacantes, que se basa en datos externos, es diferente respecto a usarlos para gestionar a los empleados. Las empresas pueden crear bases de datos detalladas y seguras cuando se trata de la gestión de empleados. Estas bases de datos garantizan la protección de datos y la confidencialidad. Los empleados pueden estar dispuestos a compartir sus datos con la empresa para su crecimiento profesional, siempre y cuando la empresa se comprometa a usarlos de manera responsable. Una empresa que prioriza y protege los datos de sus empleados puede gestionar mejor el desarrollo profesional, los desafíos del equilibrio entre trabajo y vida personal, y la motivación de los empleados. Sin embargo, esto no es necesariamente así en el caso de candidatos externos a la empresa, lo que puede suponer una dificultad en la aplicación de algoritmos.

La IA puede ofrecer varias ventajas a los profesionales de RRHH, como mejorar la eficiencia, reducir costes, mejorar la experiencia del candidato y encontrar al más adecuado para cada puesto. Esta sección explora cómo puede utilizarse la IA para optimizar el filtrado inicial de CV, que suele ser la parte más tediosa y laboriosa del proceso de contratación.

Una forma de optimizar la selección inicial de CV es utilizar herramientas de IA que puedan extraer información relevante de un CV y almacenarla en forma de tabla, creando una base de datos de candidatos. Esto puede hacerse utilizando técnicas de procesamiento del lenguaje natural (PLN), como el reconocimiento de entidades con nombre, la extracción de palabras clave y el análisis de sentimiento, para identificar y categorizar la información de cada CV, como el nombre, los datos de contacto, la educación, la experiencia laboral, las habilidades, los logros y los rasgos de personalidad del candidato.

 
A continuación, se describe una forma práctica de automatizar este proceso. En primer lugar, se puede crear un portal en línea en el sitio web de la empresa, donde los candidatos puedan cargar su CV junto con su solicitud de empleo. A continuación, el portal en línea enviaría automáticamente el CV a un servicio LLM basado en la nube para extraer los datos relevantes y analizarlos en forma de tabla. Por ejemplo, Azure OpenAI ofrece el modelo GPT4 de última generación. También cabe mencionar que se podría aplicar un proceso similar con los CV de los empleados en rotación, para reducir aún más la sobrecarga de RRHH.

Por supuesto, hay que tener en cuenta las cuestiones de privacidad. Por ejemplo, en la Unión Europea, cualquier portal de solicitudes en línea, servicio LLM basado en la nube y base de datos de candidatos debe cumplir estrictamente el Reglamento General de Protección de Datos (GDPR). Esto no es solo un mandato legal, sino que también es crucial para mantener la confianza con los usuarios y los candidatos. Esto se traduce en requisitos como establecer plazos para conservar la información sensible recibida y garantizar que los datos se almacenan de forma segura, utilizando métodos de cifrado de última generación y las mejores prácticas para evitar accesos no autorizados o infracciones.

Una vez extraídos los datos de los candidatos de forma estructurada, pueden utilizarse técnicas de IA para cotejar los candidatos con los puestos vacantes. Aquí se exploran dos opciones: definir una puntuación para la correspondencia entre las cualificaciones de un candidato y las de un puesto vacante y utilizar datos históricos para predecir la productividad de cada candidato para cada puesto.

Definir una puntuación para un candidato determinado y un puesto vacante

Este enfoque consiste en calcular un valor numérico que representa el grado de adecuación entre el perfil de un candidato y los requisitos de un puesto de trabajo. La puntuación puede basarse en numerosos factores, como el nivel educativo, la experiencia laboral, las competencias, los logros y los rasgos de personalidad. A cada factor se le puede asignar un peso diferente en función de su importancia para el puesto.

Supóngase que una empresa ofrece un puesto de ingeniero de software que requiere una licenciatura en informática, al menos 3 años de experiencia en programación Java y una gran datos de candidatos. Esto puede hacerse utilizando técnicas de procesamiento del lenguaje natural (PLN), como el reconocimiento de entidades con nombre, la extracción de palabras clave y el análisis de sentimiento, para identificar y categorizar la información de cada CV, como el nombre, los datos de contacto, la educación, la experiencia laboral, las habilidades, los logros y los rasgos de personalidad del candidato.

 
A continuación, se describe una forma práctica de automatizar este proceso. En primer lugar, se puede crear un portal en línea en el sitio web de la empresa, donde los candidatos puedan cargar su CV junto con su solicitud de empleo. A continuación, el portal en línea enviaría automáticamente el CV a un servicio LLM basado en la nube para extraer los datos relevantes y analizarlos en forma de tabla. Por ejemplo, Azure OpenAI ofrece el modelo GPT4 de última generación. También cabe mencionar que se podría aplicar un proceso similar con los CV de los empleados en rotación, para reducir aún más la sobrecarga de RRHH.

Por supuesto, hay que tener en cuenta las cuestiones de privacidad. Por ejemplo, en la Unión Europea, cualquier portal de solicitudes en línea, servicio LLM basado en la nube y base de datos de candidatos debe cumplir estrictamente el Reglamento General de Protección de Datos (GDPR). Esto no es solo un mandato legal, sino que también es crucial para mantener la confianza con los usuarios y los candidatos. Esto se traduce en requisitos como establecer plazos para conservar la información sensible recibida y garantizar que los datos se almacenan de forma segura, utilizando métodos de cifrado de última generación y las mejores prácticas para evitar accesos no autorizados o infracciones.

Una vez extraídos los datos de los candidatos de forma estructurada, pueden utilizarse técnicas de IA para cotejar los candidatos con los puestos vacantes. Aquí se exploran dos opciones: definir una puntuación para la correspondencia entre las cualificaciones de un candidato y las de un puesto vacante y utilizar datos históricos para predecir la productividad de cada candidato para cada puesto.

 
Definir una puntuación para un candidato determinado y un puesto vacante

Este enfoque consiste en calcular un valor numérico que representa el grado de adecuación entre el perfil de un candidato y los requisitos de un puesto de trabajo. La puntuación puede basarse en numerosos factores, como el nivel educativo, la experiencia laboral, las competencias, los logros y los rasgos de personalidad. A cada factor se le puede asignar un peso diferente en función de su importancia para el puesto.

Supóngase que una empresa ofrece un puesto de ingeniero de software que requiere una licenciatura en informática, al menos 3 años de experiencia en programación Java y una gran los reclutadores a predecir la calidad de la contratación basándose en datos de evaluaciones previas a la contratación. En este caso, la herramienta también puede proporcionar una estimación del ROI de contratar a un profesional. Otra herramienta similar es Beamery que utiliza las habilidades y el potencial del candidato para evaluar la adecuación, pero también se centra más que Harver en la explicabilidad de los modelos. Ambas herramientas incluyen también la extracción automática de datos de los CV proporcionados, lo que sugiere que esta característica se ha convertido en un requisito básico para la mayoría de las herramientas de contratación de RRHH.

Sin embargo, el enfoque de modelos supervisados introduce algunos problemas. El primero es la necesidad de datos para ajustar los modelos, que dependiendo del modelo utilizado pueden ser muy grandes. Encontrar suficientes datos de perfiles similares al esperado de los candidatos es una tarea ardua y costosa. Además, aunque el enfoque empírico de los modelos no supervisados puede parecer menos sesgado que los enfoques basados en la puntuación, ya que a menudo requieren una especificación manual de las ponderaciones, los datos utilizados por los modelos supervisados pueden tener sesgos, que se aprenden en el proceso de ajuste. Las preocupaciones sobre los sesgos deben abordarse mediante un tratamiento adecuado de los datos y/o asegurándose de que se utilizan datos suficientes para construir el modelo.

Si los datos no son representativos de la población objetivo o contienen sesgos históricos o sociales (como género, raza, edad, etc.), los modelos pueden heredar o amplificar estos sesgos y producir resultados injustos o discriminatorios. Por ejemplo, la herramienta de contratación por IA de Amazon, que puntuaba a los candidatos con un máximo de cinco estrellas, tuvo que ser desechada tras detectarse una discriminación sistemática contra las candidatas, independientemente de las cualificaciones reales necesarias para el puesto, debido a que la mayoría de los empleados eran hombres en el pasado.

Otra cuestión es el diseño o la aplicación de los modelos de IA. Si los modelos no son lo suficientemente transparentes o explicables, puede resultar difícil entender cómo toman las decisiones o qué factores tienen en cuenta. Esto puede generar desconfianza o confusión entre los profesionales de RRHH o los candidatos. La interpretación humana o el uso de modelos de IA también es relevante. Si los profesionales de RRHH o los candidatos no tienen suficiente conocimiento o conciencia de cómo funciona la IA o cuáles son sus limitaciones, entonces pueden confiar demasiado o demasiado poco en sus resultados o recomendaciones. Esto puede llevar a un exceso de confianza o escepticismo sobre los modelos de IA.

Para hacer frente a estos riesgos y garantizar el uso responsable de la IA en la contratación, algunas de las mejores prácticas incluyen:

• Realización de auditorías y evaluaciones periódicas de los modelos de IA para comprobar su exactitud, validez, fiabilidad, imparcialidad y ética.
• Proporcionar documentación y comunicación claras y completas sobre el objetivo, el alcance, los métodos, las hipótesis, las limitaciones y los resultados de los modelos de IA.
• Recabar opiniones y aportaciones de las distintas partes interesadas (como profesionales de RRHH, candidatos, empleados, directivos) sobre cómo perciben y experimentan los modelos de IA.
• Proporcionar formación y educación a los profesionales de RRHH y a los candidatos sobre cómo utilizar e interpretar los modelos de IA de forma eficaz y adecuada.

Conclusiones

En el actual panorama tecnológico en rápida evolución, la fusión de inteligencia artificial con el ámbito de los Recursos Humanos representa algo más que una mera combinación de tecnología y gestión del talento. Esta confluencia marca una transformación de los paradigmas tradicionales que determinan cómo las organizaciones, independientemente de su tamaño, perciben, supervisan y se comprometen con sus activos más valiosos: su fuerza laboral. Como se analiza en este White Paper, la integración de la IA en RRHH no se limita a agilizar las operaciones. Por el contrario, anuncia una fase transformadora en la adquisición y gestión del talento, prometiendo tanto mejoras notables en la productividad como una estrategia más sofisticada y basada en datos para el compromiso y la retención de los empleados.

Sin embargo, como todos los cambios tecnológicos significativos, la integración de la IA en los procesos de RRHH conlleva retos inherentes. Las preocupaciones éticas, las cuestiones de privacidad y los posibles sesgos integrados en los algoritmos de IA requieren un escrutinio continuo, una evaluación exhaustiva y adaptabilidad. El objetivo sigue siendo lograr un delicado equilibrio: aprovechar las capacidades de la tecnología y, al mismo tiempo, garantizar que los valores fundamentales de los Recursos Humanos permanezcan intactos.

La newsletter ya está disponible para su descarga en la web de la Cátedra tanto en españ​ol como en inglés.