Dónde la IA puede (y no puede) ayudar a la gestión del talento
L
as herramientas de inteligencia artificial para la gestión del talento tienen el potencial para ayudar a las organizaciones a encontrar mejores candidatos más rápido, proporcionarle a los empleados un desarrollo con mayor impacto y promover la retención a través del involucramiento efectivo de los trabajadores. Sin embargo, la implementación de IA viene con un singular conjunto de desafíos que merecen atención significativa.
Los líderes deben comprender cómo y dónde la IA puede ofrecer una ventaja a su empresa, y cómo anticipar y abordar los desafíos principales en la implementación de la IA para la gestión del talento.
Puntos de dolor de la gestión del talento y la IA en acción
La gestión del talento tiene tres fases principales: atracción de empleados, desarrollo de empleados y retención de empleados. La IA puede ayudar a abordar los puntos de dolor en cada una de estas áreas.
1. Atracción de empleados
Encontrar y contratar a los trabajadores adecuados puede ser laborioso, ineficiente y sujeto a prejuicios. La IA puede ayudar mediante la creación de ofertas de trabajo que se anuncien adecuadamente a los posibles candidatos, la selección eficiente de los candidatos para identificar a los más prometedores y la oferta de procesos que intentan verificar los sesgos humanos. Por ejemplo, la plataforma Pymetrics utiliza IA en herramientas de evaluación de candidatos que miden la demostración de habilidades reales y, como resultado, reducen el sesgo en el proceso de selección.
2. Desarrollo de empleados
Ofrecer a los trabajadores oportunidades de aprendizaje y desarrollo continuo es un aspecto esencial de la gestión del talento. Un punto clave aquí es motivar a los empleados y garantizar que tengan acceso a las oportunidades adecuadas. La IA puede ofrecer soluciones en tiempo real. Por ejemplo, EdApp, un sistema de gestión del aprendizaje basado en IA, proporciona a los empleados recomendaciones de aprendizaje personalizadas con base en análisis de rendimiento y participación y permite a los líderes de recursos humanos crear contenido de microaprendizaje en cuestión de minutos, además de realizar un seguimiento del progreso del alumno y revisar el contenido basado en perspectivas analíticas.
3. Retención de empleados
Finalmente, está la cuestión de cómo asegurarse de que los empleados que contrate y desarrolle se queden. Un aspecto crítico de esto es el compromiso de los empleados. Una encuesta reciente de Gallup muestra que solo el 21% de la fuerza de trabajo global se siente comprometida en su labor.
Varias herramientas de IA pueden ayudar a capturar con precisión y en tiempo real las métricas de compromiso de los empleados, creando soluciones centradas en los empleados para promover el bienestar. Un ejemplo es Microsoft Viva + Glint, una plataforma de experiencia del empleado que combina el análisis de sentimiento con datos de colaboración reales para medir el compromiso y el bienestar de los empleados.
Dónde pueden fallar las herramientas de IA, y cómo mitigar este riesgo
Para aprovechar todo el potencial de la IA para la gestión del talento, los líderes deben considerar qué desafíos de adopción e implementación de la IA pueden enfrentar. A continuación, describimos los desafíos clave, así como las estrategias de mitigación basadas en la investigación para cada uno.
Baja confianza en las decisiones impulsadas por IA
La investigación muestra que las personas a menudo desconfían de la IA por tres razones principales: no entienden cómo funciona la IA, les quita el control de las decisiones y perciben las decisiones algorítmicas como impersonales y reduccionistas.
Las estrategias de mitigación incluyen:
— Fomentar la alfabetización algorítmica: Una forma de reducir la aversión a los algoritmos es ayudar a los usuarios a aprender cómo interactuar con las herramientas de IA. Los líderes de gestión de talentos que usan herramientas de IA para tomar decisiones deben recibir, por ejemplo, capacitación estadística que les permita sentirse seguros al interpretar las recomendaciones algorítmicas.
— Ofrecer oportunidades para el control de decisiones: La investigación sugiere que cuando las personas tienen cierto control sobre la decisión final, son menos reacias a las decisiones algorítmicas. Las personas también están más dispuestas a confiar en las decisiones impulsadas por IA en ámbitos más objetivos. Por lo tanto, decidir qué tipos de decisiones de gestión del talento deben ser informadas por la IA, así como determinar cómo los profesionales de recursos humanos pueden cocrear soluciones trabajando con recomendaciones impulsadas por la IA, será fundamental para mejorar la confianza en la inteligencia artificial
Sesgo de la IA e implicaciones éticas
Aunque la IA puede reducir el sesgo en la toma de decisiones, la IA no está completamente libre de sesgos. Los sistemas de IA generalmente se entrenan utilizando conjuntos de datos existentes, que pueden reflejar sesgos históricos. Dada la vulnerabilidad de la IA al sesgo, las aplicaciones de ésta en la gestión del talento podrían producir resultados que violan los códigos éticos y valores de la organización, perjudicando, en última instancia, el compromiso, la moral y la productividad de los empleados.
Las estrategias de mitigación incluyen:
— Crear procesos internos para identificar y abordar el sesgo en la IA: Para mitigar el sesgo en las tecnologías de IA, es importante crear procesos internos basados en cómo la organización define la equidad en los resultados algorítmicos, además de establecer estándares sobre cuán transparentes y explicables deben ser las decisiones de IA dentro de la organización. Los líderes deben tener cuidado al establecer criterios que no tengan en cuenta la equidad, particularmente para las poblaciones vulnerables. Para abordar esto, los líderes pueden considerar incluir variables como el género y la raza en los algoritmos y establecer diferentes criterios para diferentes grupos a fin de abordar los sesgos preexistentes.
— Crear equipos diversos para diseñar sistemas de IA: La investigación indica que los equipos de ingeniería más diversos crean una IA menos sesgada. Al fomentar la diversidad a lo largo de los procesos de diseño e implementación de IA dentro de su función de gestión del talento, las organizaciones pueden aprovechar perspectivas diversas para minimizar el sesgo de la IA.
Erosión de la privacidad del empleado
Las organizaciones han implementado tecnologías de IA para rastrear a los empleados en tiempo real. Si se implementan de manera deficiente, estas herramientas pueden erosionar gravemente la privacidad y provocar un mayor estrés, además de acelerar el agotamiento, deteriorar la salud mental y disminuir el sentido de agencia de los empleados.
Las estrategias de mitigación incluyen:
— Ser transparente sobre el propósito y el uso de la tecnología de seguimiento: Gartner Research revela que el porcentaje de empleados que se sienten cómodos con ciertas formas de seguimiento del empleador ha aumentado durante la última década. El aumento en la aceptación es mucho mayor cuando los empleadores explican el motivo del seguimiento, creciendo del 30% a 50% cuando los líderes organizacionales discutieron de manera transparente por qué se usaban estas herramientas.
— Hacer que el seguimiento sea informativo, no evaluativo: Investigaciones recientes han descubierto que los empleados aceptan más el seguimiento cuando se realiza únicamente por IA, sin ninguna participación humana. El seguimiento tecnológico permite a los empleados obtener comentarios informativos sobre su propio comportamiento sin temor a evaluaciones negativas. Cuando las herramientas de seguimiento se implementan principalmente para monitorear, erosionan la privacidad y reducen la motivación intrínseca. Por lo tanto, la consideración clave para los líderes debe ser si el seguimiento puede mejorar los resultados informativos para los empleados sin causar problemas de evaluación.
Potencial de riesgo legal
Las leyes nacionales e internacionales que rigen los derechos y responsabilidades relacionados con la IA de los empleadores y los empleados están en evolución constante.
Las estrategias de mitigación incluyen:
— Comprender los actuales marcos legales que regulan el uso de la IA: Es importante que los líderes se mantengan informados sobre los cambios en las regulaciones, especialmente cuando operan negocios en múltiples ubicaciones.
— Establecer un programa proactivo de gestión de riesgos: Las organizaciones deben crear prácticas de gestión de riesgos, como el diseño de sistemas de IA con controles apropiados en varias etapas del proceso de desarrollo del modelo.
Las herramientas de IA pueden hacer que la gestión del talento sea más fácil y justa, pero el proceso de implementación conlleva desafíos. Si los líderes quieren aprovechar al máximo estas herramientas, deben recordarlo.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
Artificial intelligence tools for talent management have the potential to help organizations find better job candidates faster, provide more impactful employee development and promote retention through effective employee engagement. But AI implementation comes with a unique set of challenges that warrant significant attention.
Leaders need to understand how and where AI might offer their company an edge, and how to anticipate and tackle core challenges in implementing AI for talent management.
TALENT MANAGEMENT PAIN POINTS AND AI IN ACTION
Talent management has three main phases: employee attraction, employee development and employee retention. AI can help address pain points in each of these areas.
EMPLOYEE ATTRACTION
Finding and hiring the right workers can be labor intensive, inefficient and subject to bias. AI can help by creating job postings that are appropriately advertised to prospective candidates, efficiently screening applicants to identify promising candidates and offering processes that attempt to check human biases. For example, the platform Pymetrics utilizes AI in candidate assessment tools that measure actual skill demonstration and reduces bias in the screening process as a result.
EMPLOYEE DEVELOPMENT
Offering workers ongoing learning and development opportunities is an essential aspect of talent management. A key pain point here is motivating employees and ensuring they have access to appropriate opportunities. AI can offer real-time solutions. For example, EdApp, an AI-based learning management system, provides employees with personalized learning recommendations based on performance and engagement analytics, allows human resources leaders to create micro-learning content within minutes and enables them to track learner progress and revise content based on analytical insights.
EMPLOYEE RETENTION
Finally, there’s the question of how to ensure that the employees you hire and develop stick around. A critical aspect of this is employee engagement. A recent Gallup survey shows that only 21% of the global workforce feels engaged at work.
Various AI tools can help capture employee engagement metrics accurately in real-time and create employee-focused solutions for promoting well-being. One example is Microsoft Viva + Glint, an employee experience platform that combines sentiment analysis with actual collaboration data to gauge employee engagement and well-being.
WHERE AI TOOLS CAN GO WRONG — AND HOW TO MITIGATE THIS RISK
To leverage AI’s full potential for talent management, leaders need to consider what AI adoption and implementation challenges they may run into. Below, we describe key challenges as well as research-based mitigation strategies for each.
LOW TRUST IN AI-DRIVEN DECISIONS
Research shows that people often mistrust AI for three main reasons: they don’t understand how AI works, it takes decision control out of their hands and they perceive algorithmic decisions as impersonal and reductionistic.
Mitigation strategies include:
FOSTERING ALGORITHMIC LITERACY: One way to reduce algorithm aversion is to help users learn how to interact with AI tools. Talent management leaders who use AI tools for making decisions should receive statistical training, for instance, that can enable them to feel confident about interpreting algorithmic recommendations.
OFFERING OPPORTUNITIES FOR DECISION CONTROL: Research suggests that when people have some control over the ultimate decision, they are less averse to algorithmic decisions. People are also more willing to trust AI-driven decisions in more objective domains. Therefore, deciding which types of talent management decisions should be informed by AI, as well as determining how HR professionals can co-create solutions by working with AI-driven recommendations, will be critical for enhancing trust in AI.
AI BIAS AND ETHICAL IMPLICATIONS
While AI can reduce bias in decision-making, AI is not entirely bias-free. AI systems are typically trained using existing data sets, which may reflect historical biases. Given AI’s vulnerability to bias, applications of AI in talent management could produce outcomes that violate organizational ethical codes and values, ultimately hurting employee engagement, morale and productivity.
Mitigation strategies include:
CREATING INTERNAL PROCESSES FOR IDENTIFYING AND ADDRESSING BIAS IN AI: To mitigate bias in AI technologies, it is important to create internal processes based on how the organization defines fairness in algorithmic outcomes and to set standards for how transparent and explainable AI decisions within the organization need to be. Leaders should be cautious about setting fairness criteria that do not account for equity, particularly for vulnerable populations. To address this, leaders can consider including variables such as gender and race in algorithms and set different criteria for different groups to address preexisting biases.
BUILDING DIVERSE TEAMS TO DESIGN AI SYSTEMS: Research indicates that more diverse engineering teams create less biased AI. By fostering diversity throughout AI design and implementation processes within their talent management function, organizations can draw on diverse perspectives to minimize AI bias.
EROSION OF EMPLOYEE PRIVACY
Organizations have deployed AI technologies to track employees in real-time. If implemented poorly, these tools can severely erode employee privacy and lead to increased employee stress, faster burnout, deteriorated mental health and a decreased sense of agency.
Mitigation strategies include:
BEING TRANSPARENT ABOUT THE PURPOSE AND USE OF TRACKING TECHNOLOGY: Gartner Research reveals that the percentage of employees who are comfortable with certain forms of employer tracking has increased over the past decade. The increase in acceptance is much higher when employers explain the reasoning for tracking, growing from 30% to 50% when organizational leaders transparently discussed why these tools were being used.
MAKING TRACKING INFORMATIONAL, NOT EVALUATIVE: Recent research has discovered that employees are more accepting of tracking when it is conducted solely by AI without any human involvement. Technological tracking allows employees to get informational feedback about their own behavior without fear of negative evaluations. When tracking tools are deployed primarily for monitoring, they erode privacy and reduce intrinsic motivation. Therefore, the key consideration for leaders should be whether tracking can enhance informational outcomes for employees without causing evaluation concerns.
POTENTIAL FOR LEGAL RISK
National and international laws governing employers’ and employees’ AI-related rights and responsibilities are constantly evolving.
Mitigation strategies include:
UNDERSTANDING CURRENT LEGAL FRAMEWORKS REGULATING AI USE: It is important for leaders to stay informed of changing regulations, especially when operating businesses in multiple locations.
ESTABLISHING A PROACTIVE RISK MANAGEMENT PROGRAM: Organizations should create risk management practices, such as designing AI systems with appropriate controls at various stages of the model development process.
AI TOOLS CAN make managing talent easier and fairer, but the implementation process comes with challenges — and if leaders want to get the most out of these tools, they need to remember that.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
